PDF解析中提取跨地址与日期的Rel type字段方案问询

解析PDF提取Rel type字段时，目标内容Court Order - Own Recognizance被地址（400 Block HANLON WAY）和日期（01/30/2023）拆分换行，导致原正则仅能匹配未换行的完整内容，无法抓取分散的目标值。

示例解析文本 #

Rel type: Court Order
400 Block HANLON WAY
01/30/2023

• Own Recognizance

当前失效正则代码 #

Rel type:\s*(.*)

对应页面结构文本 #

Rel type: Court Order 400 Block HANLON WAY 01/30/2023 - Own Recognizance

解决方案 #

1. 先清理干扰内容再合并匹配 #

先过滤掉地址、日期这类固定格式的干扰项，再合并剩余的Rel type相关内容：

import re

# 解析后的原始文本
raw_text = """Rel type: Court Order
400 Block HANLON WAY
01/30/2023
- Own Recognizance"""

# 移除地址（数字+Block+街道格式）和日期（MM/DD/YYYY格式）
cleaned_text = re.sub(r'\d+ Block [A-Za-z ]+\n|\d{2}/\d{2}/\d{4}\n', '', raw_text)
# 合并换行内容并提取目标值
rel_type = re.sub(r'\n', ' ', cleaned_text).replace('Rel type: ', '').strip()
print(rel_type)  # 输出: Court Order - Own Recognizance

2. 用正则跨换行匹配并跳过干扰项 #

启用正则的DOTALL模式（让.匹配换行符），直接跳过中间的地址和日期内容：

match = re.search(r'Rel type:\s*(.*?)\s*\d+ Block [A-Za-z ]+\s*\d{2}/\d{2}/\d{4}\s*(.*)', raw_text, re.DOTALL)
if match:
    rel_type = f"{match.group(1).strip()} {match.group(2).strip()}"
    print(rel_type)  # 输出: Court Order - Own Recognizance

3. 基于页面结构直接定位（如果有结构化输出） #

如果解析后能拿到页面HTML/XML结构，直接跳过地址、日期标签，合并目标内容：

from bs4 import BeautifulSoup

html = """<div class="field">
  <label>Rel type:</label>
  <span>Court Order</span>
  <span class="address">400 Block HANLON WAY</span>
  <span class="date">01/30/2023</span>
  <span>- Own Recognizance</span>
</div>"""

soup = BeautifulSoup(html, 'html.parser')
field_div = soup.find('div', class_='field')
# 筛选非地址、非日期的span内容并合并
rel_parts = [span.text.strip() for span in field_div.find_all('span') 
             if not span.get('class') or 'address' not in span.get('class') and 'date' not in span.get('class')]
rel_type = ' '.join(rel_parts)
print(rel_type)  # 输出: Court Order - Own Recognizance

内容的提问来源于stack exchange，提问作者snoozy