从多行文本文件中提取数字子字符串和另一行作为变量答案

【问题标题】：Extract a numeric substring and another line as variables from multi-line text file从多行文本文件中提取数字子字符串和另一行作为变量
【发布时间】：2013-09-04 17:30:35
【问题描述】：

我正在编写一个 bash shell 脚本，我希望最终能使用它来自动命名扫描文档并将其“附加”到我们的数据库。脚本 OCR 是 pdf 第一页的一部分，并输出一个包含三行的文本文件；名称、唯一 ID 和日期时间字符串：

史密斯，约翰
案例编号：234567 ( )
2013 年 9 月 4 日上午 11:34

我想要以两个单独的字符串作为变量结束，"Smith, John" 和 "234567"。我正在寻求使用 sed/awk/etc 的正则表达式来提取此数字的帮助。一个问题是 OCR 很少会输出如下字符串：

"Case #2 234567 ( )"

或

"Ca$e # 2234567 ( 7"

因此，我正在考虑获取字符串中唯一的最后 6 位数字，因为其中可能只有 10,000 多个数字中的最后 6 位数字读取不正确。此唯一 ID 只有 6 位数字，始终介于 200000-999999 之间。我正在学习正则表达式，但进展缓慢。非常感谢任何帮助。

编辑：
现在我正在使用：

casename="$(cat test.txt | sed '1!d')"
casenum="$(cat test.txt | sed -n -r 's/.*([0-9]{6}).*/\1/p')"
echo ${casenum} ${casename}
234567 Smith, John

任何关于为什么这可能不是一个好方法的意见，或者可以改进的地方是（非常）欢迎的。

【问题讨论】：

标签： regex bash sed awk ocr

【解决方案1】：

你可以试试这个正则表达式 (BRE)：

[2-9][0-9]\{5\}\>

【讨论】：

【解决方案2】：

您可以在第二行使用以下正则表达式：

^.*(\d{6})[^\d].*$

这里，第一个命名的子组将表示感兴趣的数字。

例如，使用记事本++，

原文：
替换选项：
结果文本：

正则表达式应在不同环境中保持或多或少相同。您可能需要简单地更改命名子表达式（此处为$1）的引用方式。

【讨论】：

【解决方案3】：

您可能会使用类似这样的未经测试但在语法上有些有效的 sn-p：

shopt -s extglob
declare -a cases
for casefile in casefiles/*
do
 name=""
 while read l
 do
  if [[ -z "$name" ]]
  then
   [[ "$l" == @(*, *) ]] && name=$l
  elif [[ "$l" == +([0-9]) ]]
  then
   after=${l#*[2-9][0-9][0-9][0-9][0-9][0-9]}
   l=${l%$after}
   l=${l#${l%[2-9][0-9][0-9][0-9][0-9][0-9]}}
   if [[ "$l" == @([2-9][0-9][0-9][0-9][0-9][0-9]) ]]
   then
    cases[$l]=$name
   fi
   name=""
  fi
 done < $casefile
done

“困难部分”会删除范围内的前 6 位数字及其之后的所有内容，然后从行中删除剩余的内容（数字之前的内容）。然后它从字符串的开头删除数字，并从末尾删除剩余的部分（数字后面的部分）。如果剩下的是您范围内的 6 位数字，它会将其用作索引，并将案例名称用作数组中的值，您可以稍后对其进行迭代。

其余的应该很简单。 :) 如果这没有按预期工作，我责怪我主要使用 ksh，而不是 bash。 ;)

【讨论】：