使用正则表达式从纯文本套用信函中提取变量？

Question

我正在寻找一个在 PHP 中使用正则表达式来“逆向工程”套用信函（当然具有已知格式）的好例子，该套用信函已粘贴到多行文本框中并发送到脚本进行处理。

例如，我们假设这是原始的纯文本输入（摘自美国农业部新闻稿）：

华盛顿，2010 年 4 月 5 日 - 北 美洲野牛合作社，新罗克福德， ND，机构正在召回 约 25,000 磅 含有舌头的牛头可能会 扁桃体还没有完全长出来 已删除，不符合 要求删除的规定 来自各个年龄段牛的扁桃体， 美国农业部的 食品安全检验服务 (FSIS) 今天宣布。

为了清楚起见，下面突出显示了作为变量的字段：

[pr_city=]华盛顿，[pr_date=]2010 年 4 月 5 日 - [corp_name=]北方 美洲野牛合作社，[corp_city=]新罗克福德， [corp_state=]ND，机构正在召回 大约[amount=]25,000 磅[product=]整个 含有舌头的牛头可能会 扁桃体还没有完全长出来 已删除，这不符合 要求[原因=]删除的法规 来自各个年龄段的牛的扁桃体， 美国农业部的 食品安全检验服务 （FSIS）今天宣布。

如何

• 有效地提取pr_city
• pr_date
• corp_name
• corp_city
• corp_state
• amount
• 产品
• 原因

从我的示例中

字段的内容？任何帮助将不胜感激，谢谢。

Answer 1

好吧，适用于您的示例的正则表达式可能如下所示（引入换行符是为了保持这个野兽的可读性，需要在使用之前删除）：

/^(?P<pr_city>[^,]+), (?P<pr_date>[^-]+) - (?P<corp_name>.*?), a 
(?P<corp_city>[^,]+), (?P<corp_state>[^,]+), establishment is 
recalling approximately (?P<amount>.*?) of (?P<product>.*?), 
which is not compliant with regulations that require (?P<reason>.*?), 
the U\.S\. Department of Agriculture\'s Food Safety and Inspection 
Service \(FSIS\) announced today\.$/

所以，在 PHP 中您可以这样做

if (preg_match('/^(?P<pr_city>[^,]+), (?P<pr_date>[^-]+) - (?P<corp_name>.*?), a (?P<corp_city>[^,]+), (?P<corp_state>[^,]+), establishment is recalling approximately (?P<amount>.*?) of (?P<product>.*?), which is not compliant with regulations that require (?P<reason>.*?), the U\.S\. Department of Agriculture\'s Food Safety and Inspection Service \(FSIS\) announced today\.$/', $subject, $regs)) {
    $prcity = $regs['pr_city'];
    $prdate = $regs['pr_date'];
    ... etc.
} else {
    $result = "";
}

这假设了一些事情，例如没有换行符，并且输入是整个字符串（而不是必须从中提取该部分的较大字符串）。我试图对合法值做出一些有意义的假设，但其他输入很可能会打破这一点。因此可能需要更多的测试用例。

Answer 2

如果周围的文本是不变的，那么像这个部分正则表达式这样的东西就可以解决问题：

preg_match('/^(.*?), (.*?)- (.*?), a (.*?), (.*?), establishment is recalling approximately (.*?), which is not compliant with regulations that require (.*?), the U.S. Department of Agriculture's Food Safety and Inspection Service (FSIS) announced today./', $text, $matches);

$matches[1] = 'WASHINGTON';
$matches[2] = 'April 5, 2010';
$matches[3] = ... etc...

如果周围的文本发生变化，那么你最终会得到大量错误的匹配，没有匹配，等等......本质上你会需要人工智能来解析/理解 PR 版本。

Answer 3

编辑：请忽略这个疯狂的答案，因为其他两个更好。我可能应该删除它，但我保留它以供参考。

我有一个可能可行的疯狂想法：通过添加标记从输入构建 XML 字符串，然后解析它。它可能看起来像这样（完全未经测试）的代码：

preg_replace('([^,]*), ([^-]*)- ...etc...', '<pr_city>\1</pr_city><pr_date>\2</pr_date> ...etc...');

之后解析 XML 是一个不必要的复杂过程，最好留给 PHP 文档： http://www.php.net/manual/en/function.xml-parse.php 。

您还可以考虑使用此方法将其转换为 JSON，然后使用 json_decode() 解析它。无论如何，您都必须考虑当输入中出现 " 标记和 > 符号时会发生什么。

仅匹配并删除其中的一个可能会更容易一次文本。