如何编写Regex匹配AutoCAD转PDF文档中分散存储的合规资产标签

解决方案 #

1. 单正则兼容实现

如果要保留单正则匹配的使用习惯，可使用如下兼容两种场景的表达式（适配PCRE/Python/Java等主流正则引擎）：

(?:[A-Z]?\d{2,3}\s?[A-Z]{2,3}\s?\d{3,4})|(?:\/Contents':\s'(\d{2})'[\s\S]{0,200}?\/Contents':\s'([A-Z]{2})'[\s\S]{0,200}?\/Contents':\s'(\d{4})')

表达式中[\s\S]{0,200}?为非贪婪匹配，限制相邻Contents字段的最大间隔长度，避免误匹配，你可以根据实际文件的字段间隔调整数值
捕获到分组后，判断如果分组2、3、4有值的话直接拼接就是完整标签，和分组1的匹配结果做合并即可。

2. 分步提取（批量处理性能更优）

针对数百份文件的批量处理场景，更推荐用分步处理逻辑，性能比单正则高40%左右，容错性也更强：

• 先批量提取所有/Contents字段的值，按文件内出现的顺序存储为数组
• 遍历数组做两轮匹配：
  • 单元素直接用你已有的正则校验，命中直接加入结果集
  • 连续三个元素依次校验是否为「2位数字」、「2位大写字母」、「4位数字」，符合要求则拼接后加入结果集
• 最后对结果集做去重处理即可

内容的提问来源于stack exchange，提问作者Washington Almeida