Блог

В нашей базе данных хранятся тысячи структурированных имен файлов, и, к сожалению, многие сотни были вручную изменены на имена, которые не соответствуют нашему соглашению об именовании. Используя регулярное выражение, я пытаюсь сопоставить правильные имена файлов, чтобы идентифицировать все неправильно названные. Все файлы относятся к повестке дня собрания, и в названии используются дата, тип собрания, номер пункта повестки дня и описание.

Наше соглашение об именовании заключается yyyymmdd_aa[_bbb]_ccccc.pdf в том, где:

• yyyymmdd-это дата (и при необходимости может использовать символы подчеркивания, такие как yyyy_mm_dd)
• aa-это код типа собрания из 2-3 символов
• bbb является необязательным пунктом повестки дня
• ccccc-это описание файла произвольной формы переменной длины (только буквенно-цифровое).

Примеры имен файлов:

    20200225_RM_agenda.pdf
   20200225_RM_2_memo.pdf
   20200225_SS1_3c_presenTATION.pdf
   20200225_CA_4d_SiGnEd.pdf
   20200225_RM_5_Order1234.pdf
   2021_02_25_EV_Notice.pdf
 

Регулярное выражение, которое я использую для сопоставления этих файлов, приведено ниже (демонстрация регулярного выражения).:

/^(d{4}[_]?d{2}[_]?d{2})_(w{2,3})_([a-z0-9]{1,3})_?(. )?.pdf/i

Проблема: В целом, это работает нормально, НО если номер повестки дня («bbb») ОТСУТСТВУЕТ в имени файла, регулярное выражение захватывает и возвращает первые 3 символа описания. Мне кажется, что 3-я группа захвата _([a-z0-9]{1,3})_ говорит 1-3 буквенно-цифровых символа между подчеркиваниями, но я не знаю, как «принудительно использовать разделители подчеркивания» или иным образом сообщить ей, что группы может не быть, и что теперь она просматривает описательный текст. Это можно увидеть в демонстрационном коде, где в первом и последнем именах файлов не используется номер повестки дня.

Мы будем признательны за любую помощь.

Необязательный идентификатор ? предназначен для последнего, либо для символов, либо для группы. Таким образом, выражение ([a-z0-9]{1,3})_? делает подчеркивание необязательным, но не предыдущей группой. Решение состоит в том, чтобы переместить подчеркивание в скобки.

 ^(d{4}[_]?d{2}[_]?d{2})_(w{2,3})_([a-z0-9]{1,3}_)?(. )?.pdf
 

Кроме того, [_]? можно упростить до простого _? , периоды имен файлов должны быть экранированы (в противном случае они являются подстановочными знаками), и мне лично нравится называть свои группы с помощью (?<name>) синтаксиса. Собрав все это вместе, вы получите:

 ^(?<date>d{4}_?d{2}_?d{2})_(?<meeting_type>w{2,3})_(?<agenda>[a-z0-9]{1,3}_)?(?<description>. )?.pdf$
 

Демо здесь: https://regex101.com/r/BUKCih/1

Обновленный:

Я сделал некоторые обновления на основе комментариев. Я добавил $ в конец, чтобы заставить «конец имени файла», как сказал @Chris Maurer. Это не file.pdf.txt дает мне пройти. Я также создал подгруппу и переместил имя в эту группу, что позволяет не включать завершающее подчеркивание в именованную группу. Я собираюсь оставить другой комментарий Криса об ужесточении последней соответствующей группы в покое, хотя я согласен с этим, и ОП может найти пару несоответствующих файлов, если они используют [a-z0-9] или похожи. Я не помню сразу, поддерживает ли PHP POSIX, но если да [:alnum:] , то его тоже можно использовать.

 ^(?<date>d{4}_?d{2}_?d{2})_(?<meeting_type>w{2,3})_((?<agenda>[a-z0-9]{1,3})_)?(?<description>. )?.pdf$
 

Обновленная демо-версия здесь: https://regex101.com/r/ebmxkF/1