✔ Fragen zur Verwendung von regulären Ausdrücken

[Davicito]

Hallo liebe Forum-Gemeinde,

ich versuche gerade Word-Dokumente (*.doc) mit Java einzulesen. Dabei teile ich Zeilen-Streams (String-Buffer), mit Hilfe der Split-Methode, in Tokens auf.
Anschließend möchte ich die Tokens untersuchen, ob es sich um eine Email-Adresse, Telefonnummer etc. handelt. Für die Token-Analyse verwende ich "reguläre Ausdrücke" mit der Pattern-Klasse.

Mein bisheriger Quell-Code:

import java.io.*;
import java.util.regex.Pattern;
import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.extractor.WordExtractor;

public class Model{
    ...
    public void readFile(){
        try{           
            fis = new FileInputStream("C:\\test.doc");
            doc = new HWPFDocument(fis);
            we = new WordExtractor(doc);          
            fis.close();      
        }
        catch(Exception e){
            e.printStackTrace();
        }

        for(String para: we.getParagraphText()){
            String[] tokens = para.split("[\\t:;, ]+");
            for(int i=0; i < tokens.length; i++){
               if(Pattern.matches("[a-zA-Z0-9-_]+@[a-zA-Z0-9-_]+\\.[a-z]{2,3}", tokens[i])){
                    System.out.print(tokens[i]);
                }
               else if(tokens[i].equalsIgnoreCase("Telefon")){
                    System.out.print(tokens[i+1]);
               }
        }
    }
}

In einer Word-Datei "Test.doc" habe ich eine Email-Adresse zu stehen:

Adresse Hochmeisterstr.3a
Anschrift: kei_der-dam-m- 23
Hallo World tabukator
Telefon 24567987
Das ist eine Word-Datei
Das ist eine weitere Zeile
E-Mail gehsj@jsd.com
lkjl


Leider wird mir die Email auf der Console nicht angezeigt.

Kann mir jemand sagen, was an meinem Pattern falsch wäre?

LG

 

[vfl_freak]

Moin,

so aus dem Stand nicht, aber hier mal das Pattern, mit dem in unserer Software E-Mailadressen geprüft werden

Pattern p = Pattern.compile( "^([_a-zA-Z0-9-]+)(.[_a-zA-Z0-9-]+)*@([a-zA-Z0-9-]+)(.[a-zA-Z0-9-]+)*(.[a-zA-Z]{1,3})[ ]*[a-zA-Z .,:;]*$" );

Gruß Klaus

 

[Davicito]

Leider hilft mir das nicht sehr weiter.
Was ich noch nie gesehen habe ist die Verwendung der halbrunden Klammern. Ich glaube jedoch, dass diese sogar überflüssig sind.

LG

 

[vfl_freak]

Moin,


Falls Du mit "halbrunden Klammern" (???) dies hier meinst: ( ), werden damit gewisse Gegebenheiten zusammengefasst!

Und warum hilft Dir das nicht weiter???

Gruß Klaus

 

[Davicito]

Weil ich auch mit Deinem Ausdruck keine Email-Adresse angezeigt bekomme.

else if(Pattern.matches("^([_a-zA-Z0-9-]+)(.[_a-zA-Z0-9-]+)*@([a-zA-Z0-9-]+)(.[a-zA-Z0-9-]+)*(.[a-zA-Z]{1,3})[ ]*[a-zA-Z .,:;]*$", tokens[i])){  
       System.out.print(tokens[i]);  
}

 

[vfl_freak]

hmm,
habe Deine E-Mailadresse von oben ("gehsj@jsd.com") mal mit meinen Ausdruck getestet und die Adresse wird sauber gefunden!

Hier kannst Du es selbst testen:
http://www.rubular.com/r/D8xmoDbgq6

Zuerst gibst Du den Ausdruck ein
([_a-zA-Z0-9-]+)(.[_a-zA-Z0-9-]+)*@([a-zA-Z0-9-]+)(.[a-zA-Z0-9-]+)*(.[a-zA-Z]{1,3})[ ]*[a-zA-Z .,:;]*
dann Deine Testadresse
gehsj@jsd.com
und Du bekommst das Ergebis aus dem Anhang

Was genau steht denn überhaupt auf "tokens"??
Und schau mal im Debugger, ob überhaupt dort durchgelaufen wird ...

Gruß Klaus

 

[Davicito]

Ui... die Seite kenn ich ja noch nett ^^. Die werde ich mir auf jeden Fall mal für reguläre Ausdrücke, in meine Favoriten-Liste aufnehemen ;-).
Auch mein Ausdruck wird akzeptiert: [a-zA-Z0-9-_]+@[a-zA-Z0-9-_]+\.[a-z]{2,3}
Nur dann verstehe ich nett wieso ich nichts angezeigt bekomme!?

nehmen wir einmal an, ich prüfe, ob das Token davor das Key-Word "E-Mail" beinhalten müsste das darauffolgende eine Email-Adresse sein. So prüfe ich

if(Pattern.matches("[Ee-]{1,2}?[Mm]ail", tokens[i])){  
     //Ausgabe des Key-Word "E-Mail"
     System.out.print(tokens[i]);  
     //Ausgabe des darauffolgenden Tokens
     if(tokens[i+1] != null) 
        System.out.print(tokens[i+1]);
  }

Konsolen-Ausgabe: E-Mail gehsj@jsd.com

Wenn ich aber direkt nach einer Email suche mit den typischen Charaktereigenschaften (@ . ) findet er mit Hilfe meines regulären Ausdrucks - wie bereits geprüft auf http://www.rubular.com/r/D8xmoDbgq6 getestet, keinen Token mit der Email "gehsj@jsd.com"aus meiner Test.doc.

 

[vfl_freak]

wie schon geschrieben:

Was genau steht denn überhaupt auf "tokens"??
Und schau mal im Debugger, ob überhaupt dort durchgelaufen wird ...

 

[Davicito]

...nehmen wir einmal an, ich prüfe, ob das Token davor das Key-Word "E-Mail" beinhalten müsste das darauffolgende eine Email-Adresse sein. So prüfe ich...

if(Pattern.matches("[Ee-]{1,2}?[Mm]ail", tokens[i])){
     //Ausgabe des Key-Word "E-Mail"
     System.out.print(tokens[i]);
     //Ausgabe des darauffolgenden Tokens
     if(tokens[i+1] != null)
        System.out.print(tokens[i+1]);
  }

Konsolen-Ausgabe: E-Mail gehsj@jsd.com

Wenn ich aber direkt nach einer Email suche mit den typischen Charaktereigenschaften (@ . ) findet er mit Hilfe meines regulären Ausdrucks - wie bereits auf http://www.rubular.com/r/D8xmoDbgq6 getestet, keinen Token mit der Email "gehsj@jsd.com"aus meiner Test.doc.

if(Pattern.matches("[Ee-]{1,2}?[Mm]ail", tokens[i]) && Pattern.matches("[a-zA-Z0-9-_]+@[a-zA-Z0-9-_]+\\.
            [a-z]{2,3}", tokens[i+1])){ 
       System.out.print(tokens[i+1]);
}

 

[vfl_freak]

Solltest Du dann im rechten Teil der &&-Abfrage nicht auch auf "tokens[i+1]" prüfen ???

BTW:
{1,2} und gleichzeitig '?' ist vermutlich Murks!
{1,2} besagt "1 oder 2"
? besagt "0 oder 1"

zudem: durch "[Ee-]{1,2}" ist auch der Ausdruck "Eemail" gültig !!

EDIT:
Versuch es mal so: [Ee]-?[Mm]ail