PyPDF2 和 DataFrame 中带有正数和负数的字符串中带括号的正则表达式

Question

我目前正在使用一个脚本，该脚本通过 PyPDF2 将 PDF 提取为字符串，然后使用正则表达式在该 PDF 中搜索括号中的费用金额。然后将这些费用汇总并在 pd.DataFrame 中进行操作，并将结果输出到 CSV 文件。

在发出退款之前一切都很好。基本上所有费用都包含在括号内，我会使用 re 来搜索 x 费用，例如

adminFee = re.findall('Administration Fees\s*\((.*?)\)', data)

然后将其添加到 totalFees 列表中

totalFees = adminFee + govFee + commFee....ect.

然后将列表转换为 DataFrame 进行操作。

最近，PDF 的格式更改为包含更多费用字符串。这有时也可能构成退款。我用 re 搜索的字符串看起来是这样

""Excess Expenses (Refund from client) (150.00)""

或

""Excess Expenses (Refund from client) 200.00""

我的第一个问题是括号，我尝试了以下方法无济于事

excessExpenses = re.findall('Excess expenses \(Refund From client\)\s*(\d*\,*\d*\.+\d+\))',data)

但它 returns 是一个空列表 [] ？我已经尝试了几个 re's 但 none 似乎在工作。

我的下一个问题是，以前这些都是所有费用（负数），但现在包括正值和退款。这会扰乱 DataFrame 的计算。我应该如何最好地解决这个问题。我可以回到括号内以前的费用，并通过类似的方式使它们为负：

adminFee = re.findall('Administration Fees\s*(\(?.*?\)?)',data)
adminFee = ''.join(adminFee) 
adminFee = adminFee.replace(',','') #for float manipulation in dataframe
adminFee = adminFee.replace('(','-') # replace ( to make -
adminFee = adminFee.replace(')','') #remove last braket
adminFee = [adminFee] #make list again

然后提取正数，这样可以正确计算DataFrame，减少费用并增加退款。

或者跟随另一个根会更明智吗？

我知道这段代码可能是您见过的最不符合 Python 风格的代码，但它在过去一年中一直运行良好。

Answer 1

主要是拼写错误：'Refund' 之前的左括号后缺少 space，小写 'e' 而不是 ''Expenses' 中的 'E' 和数字后面多余的右括号“\)”。这个应该有效：

'Excess Expenses\s*\(\s*Refund From client\)\s*(\d*\,*\d*\.+\d+)'

但这不是最好的解决方案。你永远不会有超过一个点，所以不需要量词“+”。 “？”可以。如果您要处理超过数百万个，您可能想要处理多个逗号，顺便说一下，逗号不需要转义，所以用 '\d*\,*' 代替会更好：'(?:\d *,)*'。最后，要匹配负数，只需在开头添加一个可选的减号：'-?'。

把它放在一起你得到：

'Excess Expenses\s*\(\s*Refund From client\)\s*(-?/(?(?:\d*,)*\d*\.?\d+/)?)'

希望对您有所帮助。

编辑： 我添加了可选括号（与您的评论中的相同。）'(?:' 表示非捕获组，即可以通过以下方式量化的组'*' 没有被捕获为单独的结果组。

PyPDF2 和 DataFrame 中带有正数和负数的字符串中带括号的正则表达式

Regular Expression with parenthesis in a string from PyPDF2 and DataFrame with positive and negative numbers

regex

list

python-3.x

pandas

pypdf2