Extractor basado en regex

Qué es el extractor basado en expresión regular

El extractor basado en expresiones regulares es la herramienta perfecta para casos de uso sencillos, en los que, para determinados campos, los datos se encuentran siempre en un formato y contexto estrictos y predecibles. En otras palabras, si tienes un campo para el que puedes definir una expresión regular que sea consistentemente buena cuando coincide, entonces el extractor basado en expresiones regulares es una buena opción.

La actividad viene con un asistente de configuración que te ayuda a definir las expresiones regulares para los campos a los que quieres dirigir la extracción de datos de esta manera.

La actividad admite tanto los campos simples como la extracción de campos de tabla.

Se recomienda buscar otros métodos de extracción, en caso de que haya una gran variabilidad del contexto y del formato de los valores esperados. En estos casos, puede ser más adecuado un extractor de formularios o un extractor de aprendizaje automático.

Este extractor no tiene capacidad de aprendizaje (entrenamiento) y requiere una configuración de antemano.

Requisitos especiales

No hay requisitos especiales para usar el extractor basado en expresiones regulares.

Cómo configurar

Configuración de la actividad

El extractor basado en expresiones regulares tiene dos configuraciones principales a tener en cuenta:

• el asistente Configurar expresiones regulares, que permite definir expresiones regulares para determinados campos. Este asistente también pone a tu disposición el asistente del editor de expresiones regulares, que te ayuda a crear tus expresiones regulares.
• la configuración UsarAlineaciónVisual, que permite controlar si las expresiones regulares configuradas para un extractor deben aplicarse a la salida de texto del componente de digitalización, o a una versión de texto en la que las líneas de texto se organizan visualmente y las palabras se reordenan en líneas basadas en su alineación visual.

Asistente para Configurar expresiones regulares

The Configure Regular Expressions Wizard can be used for defining regular expressions to be used to capture data for both simple as well as table fields.

1. Add a RegEx Based Extractor activity to your workflow, within a Data Extraction Scope activity.

2. Configure your regular expressions by clicking on the Configure Expressions button.

   • The Wizard window opens.

     

3. Amplía la entrada de tipo de documento para ver todos los campos definidos y comienza a configurar tus expresiones regulares. Los tipos de documento y sus campos respectivos se leen automáticamente desde la taxonomía del proyecto. La opción de configuración de expresiones regulares está disponible para todos los campos en la taxonomía.

   • tipo de documento ampliado que muestra un único campo regular:

     

   • Tipo de documento expandido y campo de tabla, que muestran las opciones de configuración para una tabla:

     

     En el caso de un campo simple, solo puede definirse una única expresión regular mediante el asistente de expresiones regulares que se abre al hacer clic en la opción "Editar" situada junto a ese campo.

     En el caso de un campo de tabla, existen múltiples opciones disponibles para su configuración:

   • The Table Value RegEx can be used for capturing an entire table area. If no value is added on the Table field line, the entire text content of the document is considered onward for table processing.

   • The Rows Value RegEx can be used for capturing an entire row from a given table capture. If no value is added on the Rows field line, the table area is split by end-of-line. Each captured value is considered from this point forward as a row on which the column extraction is to be applied.

   • The Column Value RegEx can be used for capturing the value of a particular column, from each captured row.

     Scenarios of using the Table, Rows and Column Regex:

   • If you leave the Table RegEx and the Rows RegEx fields empty, all lines in the text version of the document are used to apply the Column Level Regexes for cell value identification.

   • If you define a RegEx to capture the table area, but leave the Rows RegEx empty, all lines in the table capture are individually processed using each Column RegEx to capture the cell values.

   • If you leave the Table RegEx empty but define a Rows RegEx, then all text captured with the Rows RegEx is used and the Column RegExes are applied to capture cell values for each row.

   • If you fill in both Table and Rows RegEx, the activity applies the Table RegEx to identify the table string, then applies the Rows RegEx to identify each line, followed by the Column Level RegEx for capturing cell values.

4. Add your Regular Expression in the Expression field.

   Nota:

   Proporciona una expresión regular o crea una

   You have the option of either writing the whole RegEx in the Expression field or to build it by using the Edit button.

   Importante:

   Especifica tus grupos de captura

   For any of the regular expressions you define, make sure you have at least one capture group! Only the captured parts of an expression are used for value reporting.

5. Click on the drop-down list from the Regex Options column. You can set Regex Options from this multi-select option.

   

6. Hay múltiples opciones entre las que puedes elegir:

• CultureInvariant - Specifies that the linguistic cultural differences are ignored.

• ECMAScript - Enables ECMA Script compliant behavior for the expression. This value can be used only in conjunction with the IgnoreCase and Multiline options.

• ExplicitCapture - Specifies that the only valid captures are the ones of groups that are explicitly named or numbered and are defined as (?<name> subexpression). Any unnamed parentheses are to be ignored.

• IgnoreCase - Specifies that the search is not case sensitive.

• IgnorePatternWhitespace - Eliminates the unescaped white space from the defined pattern and enables the comments marked with #. This option does not apply to character classes, numeric quantifiers, or tokens marking the beginning of an individual RegEx language element.

• Singleline - Specifies that the search is initiated in a single line. The dot (.) matches all characters, including the exception \n.

• Multiline - Specifies that the search is initiated in multiple lines. For this option, the special characters ^ and $ match the beginning and the ending of any line.

• RightToLeft - Specifies that the search is performed from right to left.

  Nota:

  More information about the Regular Expression Options can be found here.

Asistente del Editor de expresiones regulares

1. Click on the Edit button to edit the options of that field and the format of the regular expression.

   

2. Add text in the Test Text field for testing the search criteria you choose against the text that you want to apply RegEx on.

   

3. Selecciona uno de los tipos de fórmula de expresión regular de la lista desplegable. De este modo, se establece la expresión regular para que coincida con una de las siguientes características:

   • Literal - Matches the exact characters specified by you. This option is case sensitive.

   • Digit - Matches a digit.

   • One of - Matches a single character present in the set.

   • Not one of - Matches a single character not present in the set.

   • Anything - Matches any character, except for \n.

   • Any word character - Matches any letters and numbers.

   • Whitespace - Matches one white space.

   • Starts with - Initiates the search where the line starts.

   • Ends with - Initiates the search where the line ends.

   • Advanced - Requires a custom expression.

   • Email - Matches an email address.

   • URL - Matches an URL.

   • US date - Matches the US date format.

   • US phone number - Matches the US phone number format.

     

     Nota:

     More information about the Regular Expressions in .NET can be found here.

4. Use the Value field to write the value of the regular expression.

5. Select a quantifier from the Quantifiers drop-down list.

Exactly - Matches the preceding element exactly how many times it is specified. By default, it is set to 1.

Any (0 or more) - Matches the preceding element for zero or more times, but as few times as possible.

At least one (1 or more) - Matches the preceding element for one or more times.

Zero or one - Matches the preceding element for zero or one time, but for as few times as possible.

Between x and y times - Matches the preceding element between x and y times, where x and y are integers, but as few times as possible.

1. Use the button for adding an extra RegEx field. Move fields up and down in the hierarchy by using the and buttons. Use the button for deleting the field.

2. Select the check box for the Capture option if you want to extract that specific field.

3. The Full Expression field shows the entire expression, exactly how it was customized by you.

4. Select one or more options from the Regex Options drop-down list.

   

5. Click the Save button once all your configurations are done to exit the Edit mode and then click the Save once again for closing the wizard.