Теория - [решено] Спарсить содержание журнала регулярными выражениями из txt-файла (PHP)

Теория - [решено] Спарсить содержание журнала регулярными выражениями из txt-файла (PHP)

Luzuk

Новый участник

Сообщения: 44
Благодарности: 7

Доброго времени суток!

Никак не могу разобраться с регулярными выражениями для следующей задачи.

Есть содержание большого журнала (сборника статей) в текстовом файле.
Из него нужно выдернуть название статьи, авторов и номера страниц (её начало и конц).
Но в начале нужно текст содержания привести в порядок и убрать из него все лишнее.

Так выглядит содержание

Нужно составить правило для разбора каждой строки:
Если первое в строке стоит число затем Пробел и затем Заглавная буква
то это начало статьи

Иначе, если строка НЕ стоит из одних заглавных букв (отсекаем название заголовка новой темы)
то это продолжение названия статьи.

Далее склеиваем начало статьи с продолжением и помещаем в массив для дальнейшей обработки.

Составил регулярное выражение для первого условия:

Код:

^([0-9]+) ([А-ЯA-Z]

регулярное выражение для второго условия:

Код:

^([А-ЯA-Z]+) ([А-ЯA-Z]+)

Парсинг текст делаю на PHP.
Получилось следующее:

PHP код:


$cont = file('./journals/2012/s.txt');

$j=-1;

foreach ($cont as $line_num => $line) {

    if(preg_match("/^([0-9]+) ([А-ЯA-Z])/", $line, $result)){

        $j++;    

        $artic[$j]=$line;}

    else if(!preg_match("/^([А-ЯA-Z]+) ([А-ЯA-Z]+)/", $line, $result)){

        $artic[$j]=$artic[$j].$line; }

}

for($i=0;$i<30;$i++)

    echo $artic[$i]."<br/>";

Результат

Вроде бы и работает.
НО почему Заголовок темы определяется как продолжение названия статьи, второе правило не работает?

Отправлено: 09:53, 14-09-2013

Luzuk

Новый участник

Сообщения: 44
Благодарности: 7

Профиль | Отправить PM | Цитировать

Разобрался сам.

регулярное выражение для второго условия:

Код:

^[А-ЯA-Z]+[А-ЯA-Z ]+

Плюс, проблема была с разными кодировками, в файле была Win-1251, а в скрипте UTF-8.
Поставил везде одинаковую кодировку, с помощью блокнота++.
Теперь все работает, осталось только разобрать строки на составные части.

Отправлено: 16:45, 14-09-2013 | #2