如何用Python结合正则表达式从PDF提取指定工作名称文本？

方法一：正则表达式（推荐） #

利用非贪婪匹配结合跨行匹配标志，精准提取目标区间内容。考虑到PDF转字符串后可能包含换行，需启用re.DOTALL让.匹配换行符。

代码示例：

import re

# text为你从PDF提取的前5页字符串
text = "PDF转换后的字符串内容..."

# 匹配从"Name of work:"到"Tamilnadu."的内容
pattern = r'Name of work:(.*?)Tamilnadu\.'
match = re.search(pattern, text, re.DOTALL)

if match:
    # 提取内容并去除前后空白
    work_name = match.group(1).strip()
    print(work_name)
else:
    print("未找到匹配内容")

• 说明：(.*?)是非贪婪匹配，确保只匹配到第一个Tamilnadu.为止；re.DOTALL解决内容换行导致的匹配失败问题。

方法二：字符串索引切片 #

如果文本结构固定，也可以直接用find()定位起止位置后切片提取，逻辑更直观：

代码示例：

# text为PDF转换后的字符串
text = "PDF转换后的字符串内容..."

start_key = "Name of work:"
end_key = "Tamilnadu."

start_idx = text.find(start_key)
if start_idx != -1:
    # 跳过起始关键词本身的长度
    start_idx += len(start_key)
    end_idx = text.find(end_key, start_idx)
    if end_idx != -1:
        work_name = text[start_idx:end_idx].strip()
        print(work_name)
    else:
        print("未找到结束标记'Tamilnadu.'")
else:
    print("未找到起始标记'Name of work:'")

• 优点：无需正则知识，适合结构简单固定的文本；缺点：若存在重复起止标记，需额外处理。

内容的提问来源于stack exchange，提问作者SAURABH AHALAWAT