您现在的位置：程式碼之家 >> 編程語言 > >> 更多程式語言 >> 程式設計疑難解答

Java 正則實戰：精準提取專利分類文本（含點號與無點號格式）

編輯：程式設計疑難解答

處理專利、法律條文等半結構化文本時，常需從「代碼+描述」混合行中提取特定段落。本文以真實專利分類數據為例，演示如何用 Java 正則表達式精準截取目標內容，並解析關鍵正則邏輯。

數據樣本與目標

A61K 33/00含無機有效成分的醫用 （2）
A61K 33/02.氨；其化合物 （2）
A61K 33/08..氧化物；其化合物 （2）

需保留紅框部分： 從分類號後的第一個中文字符開始，到行尾（含括號編號）。

核心正則表達式

.*?\\s\\d{2}/\\d{2}\\.?[\\u4e00-\\u9fa5].*

逐段拆解

片段	含義
`.*?`	非貪婪匹配任意字符（匹配開頭的 `A61K` 等前綴）
`\\s`	匹配一個空白字符（分隔符）
`\\d{2}/\\d{2}`	匹配 `33/00`、`33/02` 等分類主組/子組編號
`\\.?`	匹配 0 或 1 個點號（兼容 `33/02.` 與 `33/00` 兩種格式）
`[\\u4e00-\\u9fa5]`	匹配第一個中文字符（描述內容起始點）
`.*`	貪婪匹配剩餘所有字符至行尾

完整 Java 代碼

import java.util.*;
import java.util.regex.*;

public class PatentExtractor {
    public static void main(String[] args) {
        List<String> items = Arrays.asList(
            "A61K 33/00含無機有效成分的醫用 （2）",
            "A61K 33/02.氨；其化合物 （2）",
            "A61K 33/08..氧化物；其化合物 （2）"
        );

        Pattern pattern = Pattern.compile(".*?\\\\s\\\\d{2}/\\\\d{2}\\\\.?[\\\\u4e00-\\\\u9fa5].*");
        
        for (String line : items) {
            Matcher m = pattern.matcher(line);
            if (m.find()) {
                System.out.println(m.group());
            }
        }
    }
}

輸出結果

33/00含無機有效成分的醫用 （2）
33/02.氨；其化合物 （2）
33/08..氧化物；其化合物 （2）

進階技巧與避坑

捕獲組提取純描述： 若只要中文描述，改用 \\s\\d{2}/\\d{2}\\.?([\\u4e00-\\u9fa5].*) 並取 m.group(1)。
處理多行文本： 加 Pattern.DOTALL 或 (?s) 讓 . 匹配換行符。
效能優化： 預編譯 Pattern、避免在循環中重複編譯、長文本用 Matcher.find() 迭代而非 matches()。
邊界情況： 若分類號後直接是數字或符號非中文，需調整字符類 [\\u4e00-\\u9fa5] 為 [^\\s] 或具體業務字符集。