Python：在正则表达式匹配之间提取多行

Question

晚上好，

我正在使用 python 将 PDF 转换为 CSV 并使用 RegEx 提取信息。

从 PDF 提取文本后，原始文本可能如下所示：

Account Transaction Details
Twin Account   123-456-789-1
Date Description Withdrawals Deposits Balance
01 Jan BALANCE B/F 123,456.78  
03 Jan Funds Transfer 195.04 123,456.78  
mBK-4653112690
03 Jan Inward Credit-QUICK 3,000.84 123,456.78  
WIRE OTHR
ANTON HARLEY
Other
03 Jan Funds Trf - SPEED 3,500.00 123,345.78  
PIB8452145632845963
Abricot 480
OTHR Transfer

我使用了 RegEx [0-3]{1}[0-9]{1}\s[AZ]{1}[az]{2}\s[?A-Za-z]{1,155}并设法获取所需的交易：

01 Jan BALANCE B/F 123,456.78
03 Jan Funds Transfer 195.04 123,456.78
03 Jan Inward Credit-QUICK 3,000.84 123,456.78
03 Jan Funds Trf - SPEED 3,500.00 123,345.78

但是，匹配之间的附加信息已被删除，因为我已使用\n拆分文本，然后运行 RegEx。

如何进行编码，以便获得 RegEx 匹配之间的附加信息，并将附加信息标记到上一个匹配？ 这是我设想的 output：

01 Jan BALANCE B/F 123,456.78
03 Jan Funds Transfer 195.04 123,456.78 mBK-4653112690
03 Jan Inward Credit-QUICK 3,000.84 123,456.78 OTHR ANTON HARLEY Other
03 Jan Funds Trf - SPEED 3,500.00 123,345.78 PIB8452145632845963 Abricot 480 OTHR Transfer

编辑：

我已经适应了@dcsuka 解决方案并获得了以下信息：

06 Jan Debit-Consumer 12.60 123,456.78   SNIP AVENU13568100 4265884035605848

06 Jan Inward DR - 828.24 123,456.78   SHIP G12345HUJ ITX

07 Jan Funds Transfer 50.00 123,456.78   Pleasenotethatyouareboundbyadutyundertherulesgoverningtheoperationofthisaccount,tochecktheentriesintheabovestatement. Ifyoudonotnotifyusinwritingofanyerrors, omissionsorunauthoriseddebitswithinfourteen(14)daysofthisstatement,theentriesaboveshallbedeemedvalid,correct,accurateandconclusivelybindinguponyou,andyoushallhaveno claim against the bank in relation thereto. XYZ Ltd  •  80 QuincyPlace ABC Plaza XXX 12345  •  Co. Reg. No. 1234567890Z  •  GST Reg. No. YY-8121234-2  •   www.xyzabc.com

07 Jan Inward CR - SPEED 9,092.06 123,456.78   SALAD SALAS Payment CARL QWE 817264950

如何删除多余的单词“ Pleasenotethatyouareboundbyadut... ” 我能看到的唯一模式是它会是一个很长的单词（可能超过 20 个字符）。 那是通往 go 的路吗？

编辑2：

@dcsuka 已根据单词或超过 20 个字符调整代码以帮助消除“噪音”。 谢谢dcsuka！

Answer 1

您可以尝试在拆分字符串时对换行符后的数字使用正向前瞻，以获得更大的块，更能反映您预期的 output：

import re

split_text = re.split("\n(?=\d{1,3}\s)", text1)

[" ".join(i.split()) for i in split_text if re.search("^\d\d\s", i)]

# ['01 Jan BALANCE B/F 123,456.78',
#  '03 Jan Funds Transfer 195.04 123,456.78 mBK-4653112690',
#  '03 Jan Inward Credit-QUICK 3,000.84 123,456.78 WIRE OTHR ANTON HARLEY Other',
#  '03 Jan Funds Trf - SPEED 3,500.00 123,345.78 PIB8452145632845963 Abricot 480 OTHR Transfer']

Answer 2

在我获得更多关于正则表达式的知识后，我试图再次查看它。

就像@dcsuka 建议的那样，我需要使用积极的前瞻（这样我的正则表达式就不会消耗我最后设置的“量词”）

这是我使用的代码：

(^[0-9]{2}) ([A-Z]{1}[a-z]{2}) (.*?)(?=\n[0-9]{2} [A-Z]{1}[a-z]{2}|[A-Za-z]{15,})', flags=re.M | re.S

首先，我将它们分为：

1. 使用(^[0-9]{2})的日期，使用 '^' 表示行首，因为日期为 2 位数字（01 或 11）
2. 使用([AZ]{1}[az]{2})的月份，因为月份是 12 月/ 1 月/ 2 月...
3. 我想要使用(.*?)的主要捕获，在这种情况下是描述
4. 日期和月份，其他描述使用(?=\n[0-9]{2} [AZ]{1}[az]{2}|[A-Za-z]{15,})
5. 最后，我将标志用于多行和单行flags=re.M | re.S flags=re.M | re.S ，以便多行合并为一行供我的正则表达式搜索。

完成后，我使用re.findall(line_re)搜索所有匹配项。

希望这可以帮助。