C# 是否可以使用正则表达式提取不同的文本块和多行？

我想使用正则表达式从报表文档中提取不同的文本块-每个新页面在“FIRST NOTICE”（第一个通知）前面用\x0c表示[下面未显示]。我已经包括了一张带有行号的图片和文本，尽管格式可能有问题

报告文本将包含1..n页-返回数据时，每一页都是单独的行项目。这些数据将被提取并转换成行，输入数据库[编号、余额、名称、地址1、地址2、城市、州、邮政编码]

我需要提取的数据片段：

编号-11-1-11111-1

余额-1000.00

名称-“多恩，约翰·托马斯”[第14行，第7-50列]

地址-2至3行

进一步-分为Addr1/Addr2/City/State/Zip

与城市的界线：城市圣齐普4或Zip-9

城市可以包含空间

数字和余额相对容易获得-这是名称和地址部分，我有最大的问题，并寻找一个单一的正则表达式，将每个项目纳入自己的组

地址在第15-17行和第7-50列

这可能吗

包含两页的示例文档：

---

正则表达式显式支持多行，如下所示

Regex reg = new Regex(@"pattern1|pattern2", RegexOptions.Multiline);
var matches = reg.Matches("my text with /n lines");

Regex的另一个方面是，您可以将模式划分为相当于要匹配的备用文本的段。请参阅上的这篇文章。使用从reg.Matches返回的MatchCollection，您将能够提取数据

我建议分别在名称行和地址行上进行匹配，例如，如果您可以始终依赖于与名称位于同一行右侧的字符串，那么您可以分别为此编写正则表达式。正则表达式引擎将按顺序匹配模式，但您需要一些锚文本来清晰地搜索，然后获取相对于锚文本的值。然后需要解析并清除Match对象返回的值

更新 我之前的回答被部分编辑以删除无关信息

下面是一个包含解决方案的程序，正则表达式相对简单，因此我将为那些不熟悉第一个模式语法的人详细介绍：

^[A-Z, ]+(?=original...)|^[A-Z, 0-9]+(?=balance...)|^[//A-Z, 0-9]+(?=past due...)|^[^\n\.]{2,50}(?=\n\s+\n^\s+THIS IS THE END OF THIS PAGE)  

正则表达式包含由

|

分割的4个独立模式，这意味着交替

您可以小心地测试模式，不要添加任何额外字符，并确保选中多行和忽略大小写选项

^

通过正则表达式构造函数使用多行模式时捕获行的开头

[A-Z，]

捕获A-Z、逗号和空格

+

重复前面标记的出现1次或多次，相当于说

{1，}

（？=original…）

在本例中查找模式

original…

因此（？=pattern）

不捕获字符，只捕获匹配项

其他模式类似，但最后一个模式与锚之前的两个空行相匹配。这是本页的结尾，并在某些字符上设置最小/最大出现次数

{2,50}

C#清理返回的令牌的示例-名称和地址-示例数据的7项

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text.RegularExpressions;

namespace RegexTester
{
    class Program
    {
        static string text = @"FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 11-1-11111-1        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOEN, JOHN THOMAS                           ORIGINAL....:      5789.00
      1111 N WALT AVE                             BALANCE.....:      1000.00
      C/O SOMEONE ELSE                            PAST DUE....:       500.00
      SOMEWHERE WY 04741-5555

 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001
 FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 22-2-22222-2        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOE, JOHNAT ZOAR                            ORIGINAL....:      2211.00
      11111 N DIVISOR RD                          BALANCE.....:      2000.00
      SOMWEHERE WY 05922                          PAST DUE....:      1000.00


 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001";

        static void Main(string[] args)
        {
            string pattern = @"^[A-Z, ]+(?=original...)|^[A-Z, 0-9]+(?=balance...)|^[//A-Z, 0-9]+(?=past due...)|^[^\n\.]{2,50}(?=\n\s+\n^\s+THIS IS THE END OF THIS PAGE)";
            Regex regex = new Regex(pattern, RegexOptions.Multiline | RegexOptions.IgnoreCase);
            MatchCollection matches = regex.Matches(text);
            List<string> cleaned = matches.Cast<Match>().Select(x => x.Value.Trim()).ToList();
        }
    }
}

使用系统；
使用System.Collections.Generic；
使用System.Linq；
使用System.Text.RegularExpressions；
名称空间RegexTester
{
班级计划
{
静态字符串text=@“第一个通知公司名称”
通知日期：2001年1月1日北纬1111诺思伍德博士
编号：11-1-11111-1 WY 05920-5929
日期：2001年1月2日
只有一些数据。
多恩，约翰·托马斯原件：5789.00
华尔特大道1111号余额……：1000.00
转交其他逾期未付的人….:500.00
WY 04741-5555某处
本页到此结束日期截止日期：2001年1月2日
第一通知公司名称
通知日期：2001年1月1日北纬1111诺思伍德博士
编号：22-2-22222-2 WY 05920-5929
日期：2001年1月2日
只有一些数据。
能源部，约翰纳特·佐尔原版….:2211.00
11111 N除数RD余额…：2000.00
索姆韦赫WY 05922逾期….:1000.00
这是本页的结尾日期截止日期：2001年1月2日”；
静态void Main（字符串[]参数）
{
字符串模式=@“^[A-Z，]+（？=原始…）^[A-Z，0-9]+（？=余额…）^[///A-Z，0-9]+（？=过期…）^[^\n\.]{2,50}（？=\n\s+\n^\s+这是本页的结尾）”；
Regex Regex=new Regex（模式，RegexOptions.Multiline | RegexOptions.IgnoreCase）；
MatchCollection matches=regex.matches（文本）；
List=matches.Cast（）.Select（x=>x.Value.Trim（））.ToList（）；
}
}
}

它支持多行，理解-但是，我不知道如何告诉它提取姓名/地址行。@MatthewM。公平地说，现在没有时间考虑正则表达式，但如果需要，可以稍后再查看。是的，原始/BLANACE/过期总是存在，并且将处于这些位置。我不认为我可以使用这些，虽然我没有做太多的前瞻性/落后。我想可选的没有锚定的第三个地址行可以锚定到“THIS IS the END OF THIS PAGE”？不过，我还是不确定具体细节。@MatthewM。如果它能让你开始，我写了一篇博文，试图解释“环顾四周”——它可能会让你开始。查找与括号字符有关（并搜索术语和/或或你..是..太棒了！非常感谢。我刚刚完成了自己的版本..（\d{2}-\d）-

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text.RegularExpressions;

namespace RegexTester
{
    class Program
    {
        static string text = @"FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 11-1-11111-1        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOEN, JOHN THOMAS                           ORIGINAL....:      5789.00
      1111 N WALT AVE                             BALANCE.....:      1000.00
      C/O SOMEONE ELSE                            PAST DUE....:       500.00
      SOMEWHERE WY 04741-5555

 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001
 FIRST NOTICE                         COMPANYNAME
 NOTICE DATE....: 01/01/2001          1111 N NORTHWOOD DR
 NUMBER.........: 22-2-22222-2        SOMEWHERE WY 05920-5929
 THE DATE.......: 02/01/2001

 Some data only.







      DOE, JOHNAT ZOAR                            ORIGINAL....:      2211.00
      11111 N DIVISOR RD                          BALANCE.....:      2000.00
      SOMWEHERE WY 05922                          PAST DUE....:      1000.00


 THIS IS THE END OF THIS PAGE                     DATE DUE: 02/01/2001";

        static void Main(string[] args)
        {
            string pattern = @"^[A-Z, ]+(?=original...)|^[A-Z, 0-9]+(?=balance...)|^[//A-Z, 0-9]+(?=past due...)|^[^\n\.]{2,50}(?=\n\s+\n^\s+THIS IS THE END OF THIS PAGE)";
            Regex regex = new Regex(pattern, RegexOptions.Multiline | RegexOptions.IgnoreCase);
            MatchCollection matches = regex.Matches(text);
            List<string> cleaned = matches.Cast<Match>().Select(x => x.Value.Trim()).ToList();
        }
    }
}