我一直在尝试从PDF中提取某些文本转换为文本文件.PDF来自各种来源,我不知道它们是如何生成的.
我试图提取的模式只是两位数,后跟连字符,然后是另外两位数,例如12-34.所以我写了一个简单的正则表达式\d\d-\d\d并期望能够工作.
然而,当我测试它时,我发现它错过了一些命中.后来我注意到至少有两个连字符表示为\u2212和\xad.所以我改变了我的正则表达式\d\d[-\u2212\xad]\d\d并且它有效.
我的问题是,因为我要提取这么多的PDF,我不知道连字符的其他变体是什么,是否有任何正则表达式覆盖所有"连字符",并希望看起来比[-\u2212\xad]表达式更好？