正则表达式提取PDF匹配内容问题：重复数据与分页提取

原代码问题分析 #

• 截取位置计算错误：el1+len(p1)中，len(p1)是"Year"的匹配次数，而非"Year"字符串本身的长度，应该用len("Year")跳过标题文本。
• 未按行拆分数据：直接截取标题间的大段文本，没有拆分每行的年份和温度，导致数据重复、混乱。
• 未覆盖多页内容：仅处理了第一组标题区间，忽略了后续页面的表格数据。

修正后的正则实现代码 #

import re
from pdfminer.high_level import extract_text

# 注意路径用原始字符串避免转义问题
PDF_path = r"B:\Py\PDF_to_CSV\Annual_Average_Temperature_By_Year.pdf"

# 提取PDF所有页面的文本
text = extract_text(PDF_path)

# 匹配每行的年份（4位数字）和温度（带小数点的数值）
# re.MULTILINE确保每行开头的年份能被匹配
data_pattern = re.compile(r'(\d{4})\s+([\d.]+)', re.MULTILINE)

# 提取所有符合格式的年份-温度对
all_matches = data_pattern.findall(text)

# 拆分年份和温度列表
Year = [item[0] for item in all_matches]
Temp = [item[1] for item in all_matches]

# 生成并保存CSV文件
csv_header = "Year,Annual Average Temperature (F)\n"
csv_rows = "\n".join([f"{y},{t}" for y, t in zip(Year, Temp)])

with open("temperature_data.csv", "w", encoding="utf-8") as f:
    f.write(csv_header + csv_rows)

# 打印前10条数据验证
print("前10条提取结果：")
for y, t in zip(Year[:10], Temp[:10]):
    print(f"{y} | {t}°F")

代码说明 #

1. 正则匹配逻辑：r'(\d{4})\s+([\d.]+)' 精准匹配4位年份，后跟任意空白符（含换行、制表符），再匹配带小数点的温度数值，全局覆盖所有页面的表格行。
2. 多页处理：extract_text默认提取PDF全部页面文本，正则全局匹配自然覆盖多页数据，无需单独处理分页逻辑。
3. CSV格式化：直接拼接表头和每行数据，确保输出格式符合CSV规范。

额外优化提示 #

如果PDF中存在非表格的4位数字（比如页码），可以先定位表格区域再匹配：

# 定位表格起始和结束位置
start_pos = text.find("Year") + len("Year")
end_pos = text.rfind("Annual Average Temperature (F)") + len("Annual Average Temperature (F)")
table_text = text[start_pos:end_pos]

# 仅在表格区域内匹配数据
all_matches = data_pattern.findall(table_text)

内容的提问来源于stack exchange，提问作者Brooke