正则表达式如何查找重复数字组 实现PDF数据字段提取

匹配逻辑说明 #

原始数据为固定双行分组结构：

• 奇数行：姓名文本，可能为2段（名+姓）或3段（名+中间名+姓），前后可能存在多余空格
• 偶数行：空格分隔的数字串，特征是目标工资金额对应的数字序列会连续重复出现2次，之后为个税扣缴数值无需提取
• 金额原始格式为「整数部分按千位拆分+小数后两位」，空格分隔，例如13 359 25对应格式化后的$13,359.25，494 23对应$494.23

实现步骤 #

• 第一步：用正则按双行分组捕获，分别提取每行的姓名内容和数字内容
• 第二步：对数字序列做最长重复前缀检测，定位到重复出现两次的工资金额片段
• 第三步：将提取到的金额片段做格式化，拼接千分位逗号、美元符号和小数位，和姓名拼接得到最终结果

参考实现代码（JavaScript） #

const rawData = ` NAME LAST
7 494 25 7 494 25 199 44
 NAME LAST
4 488 00 4 488 00 109 07
 NAME MIDDLE LAST
7 854 00 7 854 00 298 25
 NAME LAST
494 23 494 23 12 01
 NAME MIDDLE LAST
4 301 56 4 301 56 112 61
 NAME M LAST
13 359 25 13 359 25 130 54`;

const groupReg = /\s*([A-Z ]+?)\s*\n([\d ]+)/g;
const output = [];
let groupMatch;

while ((groupMatch = groupReg.exec(rawData)) !== null) {
  const fullName = groupMatch[1].trim();
  const numList = groupMatch[2].trim().split(/\s+/);
  
  // 定位重复的工资数字段
  let segLength = 0;
  for (let len = Math.floor(numList.length / 2); len >= 1; len--) {
    const seg1 = numList.slice(0, len).join(' ');
    const seg2 = numList.slice(len, len * 2).join(' ');
    if (seg1 === seg2) {
      segLength = len;
      break;
    }
  }

  // 格式化金额
  const wageSeg = numList.slice(0, segLength);
  const cents = wageSeg.pop();
  const dollars = wageSeg.join('').replace(/\B(?=(\d{3})+(?!\d))/g, ',');
  const formattedWage = `$${dollars}.${cents}`;
  
  output.push(`${fullName} ${formattedWage}`);
}

// 打印最终结果
console.log(output.join('\n'));

执行输出 #

NAME LAST $7,494.25
NAME LAST $4,488.00
NAME MIDDLE LAST $7,854.00
NAME LAST $494.23
NAME MIDDLE LAST $4,301.56
NAME M LAST $13,359.25

说明：该方案没有硬编码金额数字段长度，可自动适配不同位数的工资金额，不会因为工资金额增大、千分位拆分数量变化导致匹配失效。

内容的提问来源于stack exchange，提问作者Outcast