如何用Python提取搜索词后的内容并存入字典（PDF文本场景）

问题描述 #

我已使用PyPDF2库将PDF文件中的内容提取为文本，现需编写代码实现：提取指定搜索词（如CODE、LVI、HEALTH）后续的单词或句子（以\n作为句子结束标识）并存入字典。我是NLP入门学习者，目前仅能提取搜索词后的单个单词，不知如何适配句子场景。

文本示例 #

["CODE: ID\nStudy of Men's brain ID\nBased upon 16",  '3 valid cases out of 76',  '33 total cases.\n•Mean: 54695.29\n•Minimum:8.00\nVariable Type:  numeric \nHEALTH: h1 - Health in general\n xxx',  ' ccc']

现有代码 #

import PyPDF2
search_keywords=['CODE','LVI','HEALTH']

pdfFileObj = open('df.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(5)
text=(pageObj.extractText())
text=text.split(",")
text

期望输出 #

{"CODE":"ID", "LVI":None, "HEALTH":"h1 - Health in general"}

实现思路 #

1. 将拆分后的文本列表合并为完整字符串，避免跨片段匹配失败
2. 使用正则表达式对每个关键词进行匹配，精准捕获从关键词后到第一个换行符之间的内容
3. 初始化结果字典，未匹配到的关键词默认赋值为None

完整代码 #

import PyPDF2
import re

search_keywords = ['CODE', 'LVI', 'HEALTH']
# 初始化字典，所有关键词默认值为None
result_dict = {kw: None for kw in search_keywords}

pdfFileObj = open('df.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(5)
text = pageObj.extractText()

# 若原代码将文本按逗号拆分为列表，需先合并为完整字符串
# text = ''.join(text)

# 遍历每个关键词进行匹配
for kw in search_keywords:
    # 正则匹配规则：关键词+冒号+任意空白字符，然后捕获到第一个换行符前的内容
    match = re.search(rf'{kw}:\s*(.*?)\n', text)
    if match:
        # 去除结果前后的空白字符，保证内容整洁
        result_dict[kw] = match.group(1).strip()

print(result_dict)

代码说明 #

• 正则表达式：rf'{kw}:\s*(.*?)\n'
  • {kw}：匹配当前目标关键词
  • :\s*：匹配关键词后的冒号及任意数量的空白字符（空格、制表符等）
  • (.*?)：非贪婪模式匹配任意字符，直到遇到第一个换行符\n，确保只捕获当前行的内容
• 字典初始化：提前为所有关键词设置None默认值，确保未匹配到的关键词在结果中保留预期格式
• 文本合并：如果原代码通过split(",")将文本拆分为列表，必须先执行text = ''.join(text)合并为完整字符串，否则正则无法跨片段匹配内容

内容的提问来源于stack exchange，提问作者user14269252