Python提取那加兰邦选民PDF数据转Excel：正则匹配NaN问题求助

核心原因 #

PDF提取的选民文本存在排版混乱（条目内换行、分隔符前后空格不一致、字段跨行），原正则未适配这些非标准化格式，导致匹配失败出现NaN。

适配排版的正则方案 #

针对印度选举委员会PDF的常见格式，使用兼容换行、可变空格的正则：

import re
import pandas as pd
from PyPDF2 import PdfReader

# 匹配选民条目的正则（兼容换行、任意空格）
voter_regex = re.compile(
    r'(\d{4})\s+'  # 选民编号（固定4位）
    r'([^\n/]+?)\s*/\s+'  # 姓名（匹配到第一个/前的内容，忽略前后空格）
    r'([^\n/]+?)\s*/\s+'  # 性别
    r'(\d{1,3})\s*/\s+'  # 年龄
    r'EPIC:\s*([A-Z0-9]+)\s*/\s+'  # EPIC号（忽略EPIC:后的空格）
    r'([\s\S]+?)(?=\n\d{4}|\Z)',  # 住址（匹配到下一个选民编号或文本末尾）
    re.MULTILINE
)

# 读取并处理PDF
reader = PdfReader("nagaland_voter_roll.pdf")
raw_text = "\n".join([page.extract_text() for page in reader.pages])

# 提取所有匹配条目
voter_entries = voter_regex.findall(raw_text)

# 生成Excel
df = pd.DataFrame(
    voter_entries,
    columns=["选民编号", "姓名", "性别", "年龄", "EPIC编号", "住址"]
)
df.to_excel("nagaland_voters_clean.xlsx", index=False)

调试技巧 #

1. 打印raw_text的前2000字符，确认实际提取的文本格式是否与正则假设一致
2. 使用re.finditer(raw_text)遍历匹配结果，查看未匹配的文本块，针对性调整正则分组
3. 若存在姓名带特殊字符、住址跨行的极端情况，可添加预处理步骤合并跨行字段

内容的提问来源于stack exchange，提问作者Tony