如何从有规律的文本中提取联系人，电话等至Excel表中？

随便注册

为什么不能全自动，因为有“地址:”“旁邮编”“电话:”“传真:”“经营范围:”“Email”“E-mai1”“Email”“http;”“"http://”“ttp：//”“//www”“-mail”，PDF导出的还会有硬换行如地址、经营范围，还好不多；本想用字体大小来定位公司名称，结果还有几个7pt的。就是说，每一个可以用来定位的，都有例外，怎么弄？

勉强处理成了这样


过程：
用ePDF2Word将PDF转成doc－－WPS打开后另存为htm－－htm用Akelpad打开
1.<span替换为\n<span
2.>\d+?</span>替换为></span>
3.>&#9;</span>替换为></span>
4.脚本中的排序筛选－－筛选行
包括行：font-size:[678].0000pt
排除行：
第三届深圳国际智能交通与卫星导航位置服务展览会
让视界更精彩
5.<.+>替换为空
6.\n+替换为\n
以上步骤全部勾上正则选框

最后用TextForever正则处理，规则见附件
导入后还要人工检查，以最后一列的“经营范围”为校验，哪里不对就对比前后行修改。至于省市、分类懒得弄了，提取行时一并去除了。

addtool

随便注册 发表于 2014-2-23 20:33
为什么不能全自动，因为有“地址:”“旁邮编”“电话:”“传真:”“经营范围:”“Email”“E-mai1”“Email ...

先感谢“随便注册”大仙。 我要好好学习。

thelord

用 awk 处理了下，主要把 7 行补足到 8 行，其次是多余换行的处理。如下是 awk 脚本：

1. 
   
2. BEGIN {
   
3.         a=0;
   
4. }
   
5. 
   
6. # 定位公司名
   
7. !/[:0-9.]/ {
   
8.         a=NR;  # 公司名所在的行
   
9. }
   
10. 
    
11. # 打印公司信息；根据行偏移处理异常
    
12. {       
    
13.         switch (NR-a)        {
    
14.                  case 2:
    
15.                         if (!/邮编/) { printf "++"; a++; }  # 若第2行不是邮编，说明地址有换行，添加 ++ 指示
    
16.                          print;
    
17.                          break;
    
18.                  case 3:
    
19.                         if (NF>2)
    
20.                                 print "Phone: "$2"|"$3;  # 若电话有两个，则用 | 合并为一个
    
21.                         else
    
22.                                 print;
    
23.                         break;
    
24.                 case 5:
    
25.                         if (!/@/) { print "Email: ##"; a--; }  # 若无 email，则用 ## 补位
    
26.                         print;
    
27.                         break;
    
28.                 case 6:
    
29.                         if (!/ww./) { print "Http: ##"; a--; }  # 若无网址，则用 ## 补位
    
30.                         print;
    
31.                         break;
    
32.                  case 8:
    
33.                         print "++"$0;  # 若有第8行，说明经营范围有换行，添加 ++ 指示
    
34.                         break;
    
35.                 default:
    
36.                         print;
    
37.                         break;
    
38.         }
    
39. }

复制代码

说明：对于公司名称的定位，若不含标点和数字，则是名称，不知道有没有例外；本想去掉多余的换行（地址与经营范围里的），但不知道是否awk的bug，先不换行打印前面，再换行打印后面，结果后面会把前面内容覆盖掉，用变量保存后拼接打印也不行，只好用++指示，方便替换掉；缺的行可能是email，也可能是网址，不知还有没有其它情况，一律用 ## 补上；经营范围是最后一列，缺少应该不影响导入 excel，故没补

使用:
1. 先替换中文标点为英文标点（冒号和句号），方便统一处理
2. 把脚本保存为awk文件，用 gawk 程序运行之， gawk -f xx.awk 名录.txt >1.txt
3. 删除 1.txt 中多余换行：正则替换 \r\n++ 和 \n++为空
4. 正则替换 \n.*[:|//] 为空格，把行转成列
5. 检查各行的列数，gawk 'NF<=7{print NR, $0}' 1.txt，若<=7列，则打印出来，应该是没有经营范围。
6. 导入 excel