Regex en .NET:uso de grupos de captura con nombre para extraer datos

En expresiones regulares, la captura de grupos le brinda una forma de guardar texto y consultarlo más tarde. Los grupos de captura se pueden nombrar y hacer referencia a ellos por su nombre. Cuando no se nombran, se hace referencia a ellos por su número de índice.

En este artículo, mostraré cómo usar grupos de captura con nombre resolviendo el problema de extraer datos de las partes destacadas de Kindle de un libro que acabo de terminar de leer.

1 – Obtener los datos sin procesar

En primer lugar, aquí hay un fragmento de algunos aspectos destacados. Obtuve esto del sitio web de Amazon Kindle Highlights.

Your Kindle Notes For:
Fooled by Randomness: The Hidden Role of Chance in Life and in the Markets (Incerto Book 1)
Nassim Nicholas Taleb
Last accessed on Monday March 2, 2020
 Note(s)


Yellow highlight | Page: 243
You attribute your successes to skills, but your failures to randomness.
                

Yellow highlight | Page: 248
A more human version can be read in Seneca’s Letters from a Stoic, a soothing and surprisingly readable book that I distribute to my trader friends (Seneca also took his own life when cornered by destiny).
                

Yellow highlight | Page: 249
Self-help books (even when they are not written by charlatans) are largely ineffectual.
                

Yellow highlight | Page: 249
The only article Lady Fortuna has no control over is your behavior. Good luck.Code language: plaintext (plaintext)

2 – Determina qué datos quieres extraer

Quiero el número de página y el texto resaltado.

Por ejemplo, quiero convertir esta línea:

Yellow highlight | Page: 249
The only article Lady Fortuna has no control over is your behavior. Good luck.Code language: plaintext (plaintext)

En esto:

3 – Escribe la expresión regular

Siempre uso .NET Regex Tester para escribir expresiones regulares y probarlas rápidamente.

Aquí está la expresión regular para extraer la página y el texto de los datos destacados.

Explicando esta expresión regular

Voy a desglosar y explicar la declaración de expresiones regulares anterior.

\w+ highlight \| (Location|Page): Code language: plaintext (plaintext)

El propósito de esto es encontrar el inicio de cada resaltado.

Ahora que se conoce el inicio de cada bloque destacado, la segunda parte de la expresión regular se usa para capturar los datos que quiero extraer del bloque destacado.

(?<page>[0-9,])\r\nCode language: plaintext (plaintext)

(?<highlight>.*)Code language: plaintext (plaintext)

4 – Usa la expresión regular en el código

using System;
using System.Collections.Generic;
using System.Text.RegularExpressions;

namespace RegexCapturingGroups
{
    public class KindleHighlight
    {
        public int Page { get; set; }
        public string Text { get; set; }
    }
    public class KindleHighlightParser
    {
        private static readonly Regex regex = new Regex(@"\w+ highlight \| (Location|Page): (?<page>[0-9,]+)\r\n(?<highlight>.*)", RegexOptions.Compiled);
        public List<KindleHighlight> ParseHighlights(string rawHighlightData)
        {
            var kindleHighlights = new List<KindleHighlight>();

            foreach (Match match in regex.Matches(rawHighlightData))
            {
                kindleHighlights.Add(new KindleHighlight()
                {
                    Page = Convert.ToInt32(match.Groups["page"].Value),
                    Text = match.Groups["higlight"].Value

                });
            }

            return kindleHighlights;
        }
    }
}

Code language: C# (cs)