在本文中,我们将向您展示如何利用正则表达式来享受自动化文档处理带来的优势。这尤其适用于各行各业的企业文档。
我们将为您提供正则表达式的精确示例,并逐步解释其含义以及您如何应用它们。
借此,您可以提升企业运营效率,通过提高准确性减少人为错误,降低当前成本,保持数据完整性并增强数据安全。
本文是对智能文档处理第一部分内容的延伸,点击此处直达文章。
从文档中提取特定数据元素可能是一项极其昂贵且耗时的任务。通常,文档扫描件会被发送给大型外包数据采集公司,由人工手动输入数据。
然而,这种方法存在以下各种缺点:
- 文档安全性可能因此受到威胁
- 工作流程中会引入延迟
- 与自动化提取相比,手动索引是一个缓慢的过程
- 在大型项目中,手动索引难以扩展
- 手动索引可能会在数据中引入错误
- 如果文档发生变更,整个流程将不得不重新开始
以及其他诸多缺点。
尽管扫描技术已广泛普及,但很大一部分商业交易仍然依赖于纸质文档。许多发票仍以纸质形式或PDF格式发送,其数据必须经过提取才能使用。
此外,还有大量现有的纸质文件需要存放在巨大的仓库中!
什么是正则表达式?
正则表达式(也称为“Regex”)是一种用于搜索和操纵文本的强大工具。它使您能够识别和处理文本中的复杂模式。
一个正则表达式由普通字母和具有特殊功能的特殊元字符组合而成。
正则表达式还可用于替换或操作文本。例如,正则表达式可以将文本中的所有日期重写为统一格式。
它们是文本处理和任务自动化中极其强大的工具。
正则表达式如何助力企业自动化?
随着数字文档数量的增加,其类型各异、命名规则不一且缺乏完善的搜索系统,使得文档信息的检索与提取过程变得愈发困难。特别是对于未分类的文档,搜索不仅不够精准,而且耗时漫长。
正则表达式(Regex)提供了一种快速且高效的方法,用于在文档中搜索、提取和替换特定数据。从本质上讲,正则表达式是一种用于描述搜索模式的特殊文本字符串。
系统将根据指定的字符串对文档内容进行查找并提取。 正则表达式是一种通过使用特殊符号来定义信息中模式的方法。
正则表达式方法最适合那些需要读取的值位置可能变化、且简单文档模板无法奏效的文档。
正则表达式寻找格式,上下文寻找含义。PaperOffice AI因此通过人工智能从文档上下文中读取字段,无需模板训练,并将正则表达式用作校验规则。更多信息请访问我们的页面智能文档处理(IDP)。
我该如何组合正则表达式?
正则表达式可以根据所寻找的模式类型,以多种方式组合而成。
使用元字符,如 .、*、+、?、^、$、[] 和 [a-z],来表示特定类型的字符或模式。
使用可选部分:使用问号 (?) 或星号 (*) 使模式的某些部分变为可选。
使用分组:使用圆括号将模式的某些部分组合在一起,并将其视为一个整体进行处理。
需要特别注意的是,正则表达式的规则可能因编程语言而异。因此,务必阅读所用工具的文档。常见的变体包括 ECMAScript (JavaScript) 和 PCRE2。
提示
如何在 PaperOffice AI 中创建 IDP Agent 并设置其字段,请观看我们学院中的视频 创建 IDP Agent。
如何使用 REGEX 从文档中提取信息?
实践示例
以下,我们将通过示例向您展示如何使用多部分正则表达式在文档文本中查找特定数据。在 PaperOffice AI 中,您将这些表达式作为字段的模式进行配置:IDP Agent 将读取的值与模式进行比对,而不匹配的值可以自动转交给人工审核(Human-in-the-Loop)。
以下,我们为您创建了一份示例文档,其中包含特定日期。该文档为发票。我们文档中的日期格式如下:

月份,由字母组成,首字母大写,后跟一个空格,接着是日期并附带逗号,再跟一个空格,最后是年份。
例如:Sep 20, 2019 或 Mär 05, 2022
为提取该日期,您可以使用以下正则表达式(REGEX):
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
让我们将该表达式分解为若干组。这些组由简单的括号 () 分隔。
在第一个组中,我们查找由 3 个字母组成的月份缩写:([A-Z][a-zä]{2})
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
提取月份信息
- [A-Z] 此字符序列表示我们正在查找从 A 到 Z 的大写字母。例如 Sept 中的字母 “S”。请注意,大写和小写是分开处理的。
- [a-zä]{2} 此字符串表示我们正在寻找两个从 a 到 z 的小写字母,以及 ä(用于德语月份名称“März”中的“Mär”)。这指的是“Sep”中的 ep 或德语“Mär”中的 är。
接下来,我们将查找具有以下字符串的空格:\s
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
提取日期信息
在第二组中,我们寻找用数字表示的日期:(0[1-9]|[12][0-9]|3[01])
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
日期必须通过三种不同的指令进行分隔。
由于我们无法预知文档中会出现哪种日期格式,因此可能包含月份的第一天(01),也可能包含最后一天(31)。为此,我们需要相应地定义多种选项。
这些选项之间使用符号 “|” 进行分隔。
示例:(1|2|3) 表示 1、2 或 3。
方括号内列出了允许使用的字符。多个方括号代表可匹配多个字符。 若需描述包含多个字符的表达式,只需将它们依次排列即可。系统将自左向右将您的输入与表达式进行比对。
当然,并非必须列出所有数字。但请注意,整个括号内的表达式整体仅对应一个字符。
- 0[1-9] 该字符串表示数字可以以“0”开头,后跟1到9之间的任意数字。因此,结果可以是01至09之间的任意数字。
- 该字符串用于查找以零开头的数字模式。如果您的文档通常包含日期“2022年3月5日”,即数字“5”前没有“0”,则字符串中的“0”将被省略。
- [12][0-9] 该字符串表示数字可以以“1”或“2”开头,后跟0到9之间的任意数字。结果可以是10至29之间的任意数字。
- 3[01] 该字符串表示数字可能以“3”开头,后跟“0”或“1”。因此,结果可能是30或31。
在定义了日期的选项后,应确定年份的表达式。
现在,我们查找逗号和空格:,\s
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
提取年份信息
在最后一组中,我们查找年份:(20\d{2})
([A-Z][a-zä]{2})\s(0[1-9]|[12][0-9]|3[01]),\s(20\d{2})
我们首先尝试查找任意年份,但已知其数值必然大于或等于 2000。
- 20 该字符串表示我们正在查找以确切数字“20”开头的任意年份。
- \d{2} 此字符串表示我们正在寻找一个可能的两位数,即从“00”到“99”。
字符 \d 代表介于 0 到 9 之间的数字,同样地,\d{2} 用于查找两位数。
若将正则表达式应用于我们的示例文档文本,最终结果将提取出日期 “Sep 20, 2019”。
借此方式,无需知晓原始值即可从文档中读取任意日期。这些组也可在其他位置自由应用和移动,以读取其他日期格式。
此处提供另一个示例:

该日期以日开头,随后是月份(由字母组成,首字母大写),接着是一个点、一个空格,最后是年份。
为提取该日期,可使用前述正则表达式(REGEX),只需稍作补充,因为在第二个示例中,月份后面带有一个“点”。
您可以使用以下字符串进行指定:\.
因此,完整的表达式如下所示:
(0[1-9]|[12][0-9]|3[01])\s([A-Z][a-zä]{2})\.\s(20\d{2})
您可以随时在 https://regex101.com 页面上验证您创建的正则表达式,只需将其与您的文本一起粘贴即可。Regex101 不仅会检查您的正则表达式是否正确,还会为您详细解释该正则表达式的含义。
因此,您可以利用不同的字符组来实现各种用途。
借助 REGEX 读取订单号
作为另一个示例,我们希望从文档中读取订单号。

我们文档上的订单号格式如下:
它始终以大写字母 XYB 开头,后跟一个连字符,接着是 8 位数字,再跟一个连字符,最后是 3 个随机大写字母。
订单号示例如下:
XYB-12316723-LSH
XYB-98456723-JRD
为提取此订单号,我们可以使用以下正则表达式:
XYB-\d{8}-[A-Z]{3}
让我们逐个分解该表达式。
首先,我们精确查找前 3 个大写字母及连字符:XYB-
XYB-\d{8}-[A-Z]{3}
随后,我们查找 8 位数字,后跟另一个连字符:\d{8}-
XYB-\d{8}-[A-Z]{3}
如前所述,符号 \d 代表 0 到 9 之间的数字,而 \d{8} 则表示寻找一个八位数的数字。
最后,我们寻找三个任意的大写字母:[A-Z]{3}
XYB-\d{8}-[A-Z]{3}
因此,在以下订单号中:
XYB-12316723-LSH
XYB-98456723-JRD
XYB-975432671829
ZYB-12342176-ZHD
该正则表达式会将前两个 XYB-12316723-LSH 和 XYB-98456723-JRD
识别出来。
针对此示例,我们为您准备了指向Regex101的链接,其中列出了上述正则表达式的4个示例。您可以看到,在提供的订单号中,仅有两个符合我们的要求。
借助正则表达式读取商品编号
我们文档上的商品编号格式如下:
它始终以两个大写字母开头,后接一个连字符,再跟6位数字。

商品编号的示例如下:
MS-863398
DS-452829
为提取这些商品编号,我们可以使用以下正则表达式:
[A-Z]{2}-\d{6}
PaperOffice AI 对您的文档进行数字化处理,并通过 API、MCP 和 Connectors 将其接入您的系统。借此,您可以利用人工智能自动从发票及其他文件中提取数据,无需为每种格式单独编写并维护正则表达式。
联系我们,探讨您的应用场景,深入了解 PaperOffice AI 如何助您在数字时代保持更强的竞争力。
起步比您想象的更简单。
如果您仍担心无法成功实施,请阅读客户成功案例,亲身感受其简便性——或直接通过浏览器免费注册账户,体验 PaperOffice AI:立即试用。
谁适合实现无纸化办公?
快速而简单的答案是:适用于所有企业。无论行业类型和企业规模如何,从中小企业、初创公司到大型企业,都能从无纸化办公中获益。然而,这一转变对中小企业尤为有价值: 通过减少处理工作量和成本,释放出的预算可用于进一步的增长助推器。
我的公司是否可以使用基于云的文档管理系统(DMS)提供商来实现无纸化办公?
可以——前提是服务提供商在欧盟境内处理您的文件,并与您签署符合《通用数据保护条例》(GDPR)第28条规定的数据处理协议。自2018年GDPR生效以来,数据保护已成为行业焦点:DMS解决方案处理、管理和存储的文件通常包含敏感的个人数据;若违反GDPR,立法者规定了高额罚款。PaperOffice AI 在位于西班牙(欧盟)的 自有数据中心 处理您的文件;您的文件可保留在您的 自有存储 中(自带存储)。若希望完全本地化工作,可使用 PaperOffice Classic。
-
优势足以证明投入的成本与精力是合理的
数字化办公并将旧文档带入新时代,将是未来节省大量时间、金钱和精力的最佳关键投资。 -
您需要一位精通此道的专家
您无需聘请专属IT专家即可享受数字化的全部优势。
您真正需要的是身边一位可靠的合作伙伴,凭借其丰富经验,精准落实您的需求。请避免恐慌营销,选择经过实际测试的方案,而非那些未经实测却包装精美的PPT演示。 -
硬件通常已现成可用
根据经验,几乎每家企业、公司都拥有一台大型复印机,却未充分利用其功能。这些设备擅长批量扫描,对回形针具有高度容忍度,可作为零扫描仪投资实现数字化起步的基础。 -
搭配合适的DMS系统,成本低于预期
避免使用DMS/ECM系统带来的成本陷阱,在那些系统中您将被制造商无情地掌控。不要在自主管理功能方面做出任何妥协,例如自行设置文档类型和配置参数。如果您需要帮助,制造商很乐意提供支持,但请保持自身的独立性和自主权。 -
数字化自动化是未来的方向
未来的业务流程将完全一致,但实现全面自动化。
收到发票?工作流随即触发,一切按既定路径运行。
需要搜索1000个档案夹?毫无问题,因为您拥有属于自己的“Google”!
