pdf文件中的多行正则表达式

Question

我有兴趣从一些看起来像this 的 PDF 文件中提取一些信息。我只需要第 2 页的信息，之后如下所示：

1. (U) 国家：在 [日期] [文本]。 （括号中的文字）

这意味着它总是以一个国家的点号开头，并以括号结束，括号也可以转到下一行。

我在python中的实现如下：

1. 使用pdfminer extract_text函数获取全文。
2. 然后在整个文本中使用 re.findall 函数，使用这个正则表达式 ^\d{1,2}\. \(u\) \w+.\w*.\w*:.* on \d{1,2} \w+.*$ 和 re.MULTILINE 选项。

我注意到这会提取我感兴趣的所有段落的第一行，但我无法找到一种方法来抓取所有内容，直到括号 (.*) 的段落结尾。

我想知道是否有人可以为此提供一些帮助。我希望我只能通过一个正则表达式来匹配它。否则我可能会尝试逐行拆分并遍历每一个。

提前致谢。

Answer 1

您可以使用否定字符类匹配来更新模式，直到第一次出现 :，然后至少匹配 on。

要匹配所有后续行，您可以匹配一个换行符并断言下一行不只包含空格，后跟一个换行符，使用负前瞻。

使用不区分大小写的匹配：

^\d{1,2}\.\s\(u\)\s[^:\n]*:.*?\son\s\d{1,2}\s.*(?:\n(?![^\S\r\n]*\n).*)*

模式匹配：

• ^ 字符串开始
• \d{1,2}\.\s\(u\)\s 匹配 2 位数字，. 一个空格字符和 (u)
• [^:\n]*: 匹配除: 或换行符之外的任何字符，然后匹配:
• .*?\son\s 在空白字符之间匹配on 的第一次出现
• \d{1,2}\s 匹配 1-2 位数字和一个空格字符
• .* 匹配该行的其余部分
• (?:非捕获组
  • \n(?![^\S\r\n]*\n).* 匹配换行符，并且不仅断言空格后跟换行符
• )* 关闭非捕获组并可选择重复

Regex demo

例如

pattern = r"^\d{1,2}\.\s\(u\)\s[^:]*:.*?\son\s\d{1,2}\s.*(?:\n(?![^\S\r\n]*\n).*)*"

print(re.findall(pattern, extracted_text, re.M | re.I))