使用SAS PRX函数提取特定模式字符串并拆分多匹配项的技术需求

问题分析 #

你需要从PDF提取的文本变量中解析符合特定规则的字符串，原代码的正则表达式存在以下问题：

• 匹配YYYYYYYY部分时写死了8个大写字母，未支持数字和长度小于8的情况
• 仅能捕获第一个匹配项，无法处理文本中多个符合模式的字符串
• 正则中部分字符写法冗余，且未对.进行转义（.在正则中默认匹配任意字符，不符合固定字符要求）

修正后的正则表达式 #

根据你的规则，正确的正则表达式应为：

/ABCC[A-Z]{2}\.DEFG hijkj LMNO = [A-Z0-9]{1,8} /o

各部分说明：

• ABCC：固定前缀
• [A-Z]{2}：匹配2个大写英文字母（对应规则1的XX）
• \.：转义后的点号，匹配固定的.（避免匹配任意字符）
• DEFG hijkj LMNO = ：固定中间部分
• [A-Z0-9]{1,8}：匹配1-8个大写字母或数字（对应规则2的YYYYYYYY）
• 末尾空格：匹配规则4要求的字符串末尾空格

完整SAS代码（支持多个匹配项） #

使用数组存储多个匹配结果，通过prxnext循环捕获所有符合模式的字符串：

data want;
    set have;
    /* 定义数组存储最多10个匹配项，可根据实际需求调整数量 */
    array vars[10] $50 var1-var10;
    length start len 8;
    /* 编译正则表达式 */
    regex = prxparse("/ABCC[A-Z]{2}\.DEFG hijkj LMNO = [A-Z0-9]{1,8} /o");
    /* 初始化起始位置 */
    pos = 1;
    /* 循环查找所有匹配项 */
    do i = 1 to dim(vars) until(pos = 0);
        call prxnext(regex, pos, length(txt), txt, start, len);
        if start > 0 then do;
            vars[i] = substr(txt, start, len);
            pos = start + len;
        end;
        else do;
            vars[i] = "";
            pos = 0;
        end;
    end;
    /* 清理临时变量 */
    drop regex pos start len i;
run;

代码说明：

• 数组vars：定义多个变量存储每个匹配结果，可根据实际可能的匹配数量调整数组维度
• prxnext：循环查找下一个匹配项，每次找到后更新起始位置pos，避免重复匹配同一内容
• 循环终止条件：要么遍历完数组，要么找不到更多匹配项（pos=0）

关键注意事项 #

• 必须转义.：否则会匹配任意字符，破坏固定格式的匹配要求
• 保留末尾空格：严格符合规则4，避免误匹配其他类似但无末尾空格的文本片段
• 调整数组参数：根据实际数据中可能出现的最大匹配数，修改数组的维度和变量长度

内容的提问来源于stack exchange，提问作者abhijeet