Regex для многострочного заголовка C#

Question

Я новый программист на C#. Я пытаюсь сделать простой C# приложение, которое будет извлекать заголовки из PDF-файла (книги), если они находятся в таком формате:

1.1 ЭЛЕКТРИЧЕСКОЙ/ЭЛЕКТРОНИКА ПРОМЫШЛЕННАЯ

1.2 Краткая история

1,3 ЕДИНИЦЫ ИЗМЕРЕНИЯ

Я использую код:

string pattern = @"(\d+)(\.)(\d+) ([A-Z]+).([A-Z]+).([A-Z]+).([A-Z]+).([A-Z]+)"; 
Regex.match(strText,pattern); 

, который отлично работает для однострочных заголовков, но не работает для двух линейных/многострочных заголовков. Может ли кто-нибудь помочь?

Answer 1

Я не знаком с регулярным выражением стиля C#, но не является ли . символом (кроме новой строки)?

Если вам нужны новые линии, вам также необходимо будет указать фактический \n в конце, возможно, с ?, если вы не планируете иметь альтернативу.

Но я удивлен, что это регулярное выражение не вызывает никаких проблем, если форматирование книги так не будет совершенным.

Answer 2

Предполагая, что вы уже получили нужную оглавление в одной строке, и единственная проблема заключается в анализе заголовков второго уровня.

Регулярное выражение, измененное для соответствия только заглавными буквами.

Вы можете достичь требуемого результата с помощью следующего кода:

string pattern = @"((\d+\.\d+) ([A-Z\s]+)\n)+"; 
    var match = Regex.Match(input, pattern); 

    var headers = new List<string>(); 
    for (var i = 0; i < match.Groups[1].Captures.Count; i++) 
    { 
     headers.Add(match.Groups[1].Captures[i].Value); 
    } 

И после того, как он headers будет содержать все необходимые данные.

Предполагая, что input содержит входные данные. Также обратите внимание, что \n - это новый символ линии.

Ваше регулярное выражение упрощено.

(\d+\.\d+) обозначает последовательность «один или несколько цифровых символов», точку, «один или несколько цифровых символов», пробел.

([A-Z\s]+)\n - «один или более заглавная буква или пробел», «символ новой строки»

Кроме того, прочитайте следующие article, чтобы ознакомиться с C# регулярных выражений.