Python正则表达式无法匹配指定文本中目标数值问题求助

需要提取「Tax Exempt Securities」区块下「Sales Cost Removed」对应的数值，且仅当该区块出现在「Fixed Income」之前时才提取。目前现有正则表达式可正常匹配「Purchases」对应的数值，但匹配「Sales Cost Removed」或「Other」时失败。

测试文本 #

Equities
  Purchases
503,773.09
3,900,439.7
  Sales Cost Removed
(397,196.15)
(3,835,270.54)
  Other
-
(2,452.33)
Tax Exempt Securities
  Purchases
301,596.54
606,468.27
  Sales Cost Removed
(350,825.56)
(688,845.64)
  Other
1,268.59
2,000.26
Fixed Income
  Other
-
-

尝试的正则表达式 #

pattern_1 = re.compile(r"Tax Exempt Securities[\s\S]((?!Fixed Income).)*?Sales Cost Removed[\s\S]*?(\d[\d,]*\.?\d*)")

相关Python代码 #

for page_num in range(len(pdf_reader.pages)):
    page = pdf_reader.pages[page_num]
    text = page.extract_text()
    print(text)
    print(f"Searching in page {page_num+1}...")
    matches = pattern_1.findall(text)
    if matches:
        print(f"Matches found: {matches}")
        value_to_write = matches[0][1].replace(',', '')
        print(value_to_write)
        try:
            value_to_write = float(value_to_write)
            print(f"Value to write: {value_to_write}")
        except ValueError:
            print("Conversion to float failed, setting value to 0")
            value_to_write = 0
        break
    else:
        print("No match found on this page.")

解决方案 #

原正则失败原因 #

1. 目标数值以括号包裹（如(350,825.56)），但原正则的捕获组(\d[\d,]*\.?\d*)仅匹配以数字开头的内容，无法识别括号开头的数值。
2. 正则结构冗余，[\s\S]((?!Fixed Income).)*?会多匹配一个字符，导致后续匹配逻辑出错。

修正后的正则表达式 #

pattern = re.compile(r"Tax Exempt Securities(?:(?!Fixed Income)[\s\S])*?Sales Cost Removed[\s\S]*?\(([\d,]+\.\d+)\)")

正则说明 #

• Tax Exempt Securities：准确定位目标数据所在区块的开头
• (?:(?!Fixed Income)[\s\S])*?：非捕获组，匹配任意字符（含换行），且确保不会越过Fixed Income，保证目标区块在Fixed Income之前
• Sales Cost Removed：定位到目标数值对应的标签行
• [\s\S]*?：匹配标签行到数值之间的空白和换行（非贪婪模式）
• \(([\d,]+\.\d+)\)：捕获括号内的数值内容，适配带括号的负数格式

修改后的Python代码示例 #

import re

# 示例文本（实际使用时替换为PDF提取的text）
text = """Equities
  Purchases
503,773.09
3,900,439.7
  Sales Cost Removed
(397,196.15)
(3,835,270.54)
  Other
-
(2,452.33)
Tax Exempt Securities
  Purchases
301,596.54
606,468.27
  Sales Cost Removed
(350,825.56)
(688,845.64)
  Other
1,268.59
2,000.26
Fixed Income
  Other
-
-"""

pattern = re.compile(r"Tax Exempt Securities(?:(?!Fixed Income)[\s\S])*?Sales Cost Removed[\s\S]*?\(([\d,]+\.\d+)\)")
matches = pattern.findall(text)

if matches:
    print(f"匹配到的数值：{matches}")
    # 处理第一个数值（可根据需求调整为处理全部）
    value_to_write = matches[0].replace(',', '')
    try:
        value_to_write = float(value_to_write)
        # 原数值是括号包裹的负数，转为负浮点数
        value_to_write = -value_to_write
        print(f"处理后的数值：{value_to_write}")
    except ValueError:
        print("转换失败，设置为0")
        value_to_write = 0
else:
    print("未找到匹配内容")

补充说明 #

如果需要匹配所有Sales Cost Removed下的数值（包括多个），上述正则的findall会返回所有符合条件的结果。若数值存在无括号的正数格式，可进一步调整正则以兼容两种情况：

pattern = re.compile(r"Tax Exempt Securities(?:(?!Fixed Income)[\s\S])*?Sales Cost Removed[\s\S]*?(?:\(([\d,]+\.\d+)\)|([\d,]+\.\d+))")

该正则可同时匹配带括号的负数和无括号的正数，后续需判断两个捕获组哪个有值并做对应处理。

内容的提问来源于stack exchange，提问作者Chance Hunter