javascript - 尝试将 RegEx 与 Promise 返回的文本匹配 - 获取空字符串

Question

我使用 PDF.js 从 PDF 中获取文本，然后使用正则表达式对其进行解析。 parsetext 函数采用一个由 Promise 返回的 text 参数:

 gettext: function(url){
     var self = this;
     var data = url;
     console.log('attempting to get text');
     return pdfjs.getDocument(data).then(function(pdf) {
         var pages = [];
         for (var i = 0; i <= 1; i++) {
             pages.push(i);
         }
         return Promise.all(pages.map(function(pageNumber) {
             return pdf.getPage(pageNumber + 1).then(function(page) {
                 return page.getTextContent().then(function(textContent) {
                     return textContent.items.map(function(item) {
                         return item.str;
                     }).join(' ');
                 });
             });
         })).then(function(pages) {
             return pages.join("\r\n")
         });
     }).then(function(pages){
         self.parsetext(pages);      
     });        
 },

 parsetext: function(text){

     var rx = /Seite((\S+)\s+\S.*?)(?=\s*\2)/;
     var s = text;
     var m = s.match(rx) || ["", ""];
     console.log(m[1] + ' is the matched text');  //   returns '  is the matched text'
 }

m[1] 应该返回一个很长的字符串。

删除了涉及在未使用捕获组时尝试从 String.match() 获取捕获组的困惑情况 - 主要问题仍未解决，因此这不是重复的。

问题可能出在哪里？正则表达式看起来很好，所以我只能想象这是 gettext 在运行 parsetext 之前没有返回完整字符串的结果。但这不就是 promise 所保证的吗？

我认为这不是没有返回值的问题，因为倒数第二个 promise 返回一个字符串。为了证明这一点，我添加了一个 console.log 来显示返回的内容:

 gettext: function(url){
     var self = this;
     var data = url;
     console.log('attempting to get text');
     return pdfjs.getDocument(data).then(function(pdf) {
         var pages = [];
         for (var i = 0; i <= 1; i++) {
             pages.push(i);
         }
         return Promise.all(pages.map(function(pageNumber) {
             return pdf.getPage(pageNumber + 1).then(function(page) {
                 return page.getTextContent().then(function(textContent) {
                     return textContent.items.map(function(item) {
                         return item.str;
                     }).join(' ');
                 });
             });
         })).then(function(pages) {
             return pages.join("\r\n")
         });
     }).then(function(pages){
         self.parsetext(pages);      
     });        
 },
 parsetext: function(text){
     console.log(text + ' is the text that is being returned from the promise');
     var rx = /Seite((\S+)\s+\S.*?)(?=\s*\2)/;
     var s =  text;
     var m = s.match(rx) || ["", ""];
     console.log(m[0] + ' is the matched text');
 }

此日志:

'...SeiteSGP0136.1 3SE7120 3SE7120-1BF00 SGP0137.1 3SE7140 3SE7140-1CD00 SGP0138.1 3SE7150 3SE7150-1BH00 SGP0136.1 is the text that is being returned from the promise'

只是为了表明正则表达式没有损坏:

https://jsfiddle.net/dqewqwvk/5/

Answer 1

感谢@async5的建议，我能够通过首先注意到与正则表达式匹配的文本不是我想象的那样来解决这个问题

console.log(JSON.stringify(text));  //   '...Seite                     SGP0136.1...'    

这表明在 Seite 之后插入了额外的空格，这破坏了我的正则表达式。

我的解决方案是用空字符串替换超过三个空格的序列:

     var rx = /Seite((\S+)\s+\S.*?)(?=\s*\2)/;
     var s =  text.replace(/\s{3}\s+/g, '');
     var m = s.match(rx) || ["", ""];
     console.log(m[1] + ' is the matched text');