pdf文件中的多行正则表达式
Multiline regex in pdf file
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，之后的信息如下所示：
- (U) 国家：[日期] [文本]。 （括号内的文字）
这意味着它总是以一个数字开始一个点一个国家并以方括号结束，方括号也可以转到下一行。
我在 python 中的实现如下：
- 使用pdfminer extract_text函数获取全文。
- 然后在整个文本中使用 re.findall 函数，使用此正则表达式
^\d{1,2}\. \(u\) \w+.\w*.\w*:.* on \d{1,2} \w+.*$ 和 re.MULTILINE 选项。
我注意到这提取了我感兴趣的所有段落的第一行，但我找不到一种方法来获取所有内容，直到段落结尾即方括号 (.*)。
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。否则我可能会尝试按行拆分并遍历每一行。
提前致谢。
您可以使用否定字符 class 匹配更新模式，直到 : 第一次出现，然后在它之后至少匹配 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，使用否定先行。
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：
^ 字符串开头\d{1,2}\.\s\(u\)\s 匹配 2 个数字，. 一个空白字符和 (u)[^:\n]*: 匹配除 : 以外的任何字符或换行符，然后匹配 :.*?\son\s 匹配空白字符 on
\d{1,2}\s 匹配 1-2 位数字和一个空格字符.* 匹配行的其余部分(?:非捕获组
\n(?![^\S\r\n]*\n).* 匹配一个换行符，并且不仅断言空格后跟一个换行符
)* 关闭非捕获组并可选择重复
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))
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，之后的信息如下所示：
- (U) 国家：[日期] [文本]。 （括号内的文字）
这意味着它总是以一个数字开始一个点一个国家并以方括号结束，方括号也可以转到下一行。
我在 python 中的实现如下：
- 使用pdfminer extract_text函数获取全文。
- 然后在整个文本中使用 re.findall 函数，使用此正则表达式
^\d{1,2}\. \(u\) \w+.\w*.\w*:.* on \d{1,2} \w+.*$和 re.MULTILINE 选项。
我注意到这提取了我感兴趣的所有段落的第一行，但我找不到一种方法来获取所有内容，直到段落结尾即方括号 (.*)。
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。否则我可能会尝试按行拆分并遍历每一行。
提前致谢。
您可以使用否定字符 class 匹配更新模式，直到 : 第一次出现，然后在它之后至少匹配 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，使用否定先行。
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：
^字符串开头\d{1,2}\.\s\(u\)\s匹配 2 个数字，.一个空白字符和(u)[^:\n]*:匹配除:以外的任何字符或换行符，然后匹配:.*?\son\s匹配空白字符 之间首次出现的 \d{1,2}\s匹配 1-2 位数字和一个空格字符.*匹配行的其余部分(?:非捕获组\n(?![^\S\r\n]*\n).*匹配一个换行符，并且不仅断言空格后跟一个换行符
)*关闭非捕获组并可选择重复
on
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))