从docx提取的文本数组中精准提取数据生成JS对象的问题

针对你遇到的关键词与内容空格不固定、字段提取精度差的问题，可以通过以下方式改进fillObject函数：

核心优化思路 #

• 用正则表达式处理任意数量的空白分隔符，精准匹配关键词与对应内容
• 支持跨多行的字段内容拼接（部分字段内容可能换行显示）
• 避免无关文本混入目标字段

改进后的代码实现 #

function fillObject(lines, targetObj, keywords) {
  // 为每个关键词生成匹配正则，兼容任意空格分隔，捕获有效内容
  const regexMap = keywords.reduce((map, key) => {
    // 匹配关键词开头，忽略后续任意空白，捕获直到行尾的内容
    // 若需兼容大小写，可在正则后添加'i'标志，如new RegExp(`^${key}\\s*(.*)$`, 'i')
    map[key] = new RegExp(`^${key}\\s*(.*)$`);
    return map;
  }, {});

  let currentField = null; // 跟踪需要跨行拼接的字段

  lines.forEach(line => {
    const cleanLine = line.replace(/<[^>]+>/g, '').trim(); // 清理XML标签残留
    if (!cleanLine) return;

    let isKeywordLine = false;
    // 遍历关键词，检查当前行是否为关键词行
    for (const [key, regex] of Object.entries(regexMap)) {
      const match = cleanLine.match(regex);
      if (match) {
        const content = match[1].trim();
        if (content) {
          targetObj[key] = content;
          currentField = null;
        } else {
          // 关键词行无内容，标记为待填充字段，后续行补充
          currentField = key;
        }
        isKeywordLine = true;
        break;
      }
    }

    // 非关键词行且存在待填充字段时，追加内容
    if (!isKeywordLine && currentField) {
      targetObj[currentField] = (targetObj[currentField] || '') + ' ' + cleanLine;
    }
  });

  return targetObj;
}

// 示例调用
const docLines = [
  "CONTACTO     Maria Lopez",
  "TELEFONO    +34 123 456 789",
  "DIRECCION ",
  "Av. de la Constitucion 45",
  "BARRIO    Centro",
  "CIUDAD    Barcelona"
];

const result = {};
fillObject(docLines, result, ['CONTACTO', 'TELEFONO', 'DIRECCION', 'BARRIO', 'CIUDAD']);
console.log(result);

额外优化建议 #

• 如果某字段（如CONTACTO）有固定格式（如包含姓名、电话），可在赋值前添加校验逻辑，例如用正则判断内容是否符合预期格式，过滤无关文本
• 若文档中关键词可能带冒号（如CONTACTO:），可修改正则为^${key}:?\\s*(.*)$，兼容带冒号的格式
• 处理多行内容时，可根据实际需求调整拼接规则（如是否保留换行符）

内容的提问来源于stack exchange，提问作者luis-san