从转换为文本格式的PDF中提取以逗号为千分隔符的美元价格和数字

Extracting dollar prices and numbers with comma as thousand separator from PDF converted to text format(从转换为文本格式的PDF中提取以逗号为千分隔符的美元价格和数字)

问题描述

我正在尝试用c#编辑一些带有美元金额的pdf。以下是我尝试过的内容

@"/ (d)(?= (?:d{ 3})+(?:.|$))| (.dd ?)d *$/ g"
@"(?<=each)(((d*[,|.]d{2,3}))*)"
@"(?<=each)(((d*[,|.]d{2,3}))*)"
@"d+.d{2}"

以下是它需要匹配的一些测试用例

76,249.25
131,588.00
7.09
21.27
420.42
54.77
32.848
3,056.12
0.009
0.01
32.85
2,948.59
$99,249.25
$9.0000
$1,800.0000
$1,000,000

以下是它不应针对的一些测试用例

666-257-6443
F1A 5G9
Bolt, Locating, M8 x 1.25 x 30 L
Precision Washer, 304 SS, 0.63 OD x 0.31
Flat Washer 300 Series SS; Pack of 50
U-SSFAN 0.63-L6.00-F0.75-B0.64-T0.38-SC5.62
U-CLBUM 0.63-D0.88-L0.875
U-WSSS 0.38-D0.88-T0.125
U-BGHK 6002ZZ - H1.50
U-SSCS 0.38-B0.38
6412K42
Std Dowel, 3/8" x 1-1/2" Lg, Steel
2019.07.05
2092-002.0180
SHCMG 0.25-L1.00
280160717

请注意，c#部分正在与iText 7 pdfSweep接口。

Guid g = new Guid();

            CompositeCleanupStrategy strategy = new CompositeCleanupStrategy();

            string guid = g.ToString();
            string input = @"C:UsersJMDocumentspdftest61882 _280011434 (1).pdf";
            string output = @"C:UsersJMDocumentspdftest61882 _2800011434 (1) x2" + guid+".pdf";

            string regex = @"(?m)^$?[0-9]{1,3}(?:,[0-9]{3})*(?:.[0-9]+)?$";

                 strategy.Add(new RegexBasedCleanupStrategy(regex));

            PdfDocument pdf = new PdfDocument(new PdfReader(input), new PdfWriter(output));
            PdfAutoSweep autoSweep = new PdfAutoSweep(strategy);
            autoSweep.CleanUp(pdf);
            pdf.Close();

请分享您的智慧

推荐答案

您可以使用

$?[0-9]{1,3}(?:,[0-9]{3})*(?:.[0-9]+)?

或者，如果价格是整行的：

^$?[0-9]{1,3}(?:,[0-9]{3})*(?:.[0-9]+)?$

请参阅regex demo

奖金：要仅获取价格值，您需要删除$后面的?以使其成为必填项：

$([0-9]{1,3}(?:,[0-9]{3})*(?:.[0-9]+)?)

(我添加了一个捕捉组，以防您需要将数字值与$字符分开访问)。

如果您需要支持任何货币字符，而不仅仅是$，请将$替换为p{Sc}。

详细信息

• ^-字符串开始
• $?-可选的美元符号
• [0-9]{1,3}-一到三位数
• (?:,[0-9]{3})*-逗号和三位数字的任意0个或更多重复
• (?:.[0-9]+)?-一个可选的点序列，然后是任意一个或多个数字
• $-字符串结束。

C#检查是否匹配：

if (Regex.IsMatch(str, @"^$?[0-9]{1,3}(?:,[0-9]{3})*(?:.[0-9]+)?$")) 
{
    // there is a match
}

pdfSweep注意：

应用the fix from this answer。关键是在分析文本时会丢失换行符。然后，您需要的正则表达式是

@"(?m)^$?[0-9]{1,3}(?:,[0-9]{3})*(?:.[0-9]+)?
?$"

WHERE(?m)使^和$匹配行的开始/结束，并且 ?是必需的，因为$在.NET正则表达式中只在LF之前匹配，而不在CRLF之前匹配。

这篇关于从转换为文本格式的PDF中提取以逗号为千分隔符的美元价格和数字的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持编程学习网！