Python正则捕获庭审笔录文本：避免qa_type捕获小写q/a的技术问询

需求与问题 #

核心需求 #

从庭审笔录PDF提取问答/发言者对应文本，需输出字段：qa_type、page_start、page_end、line_num_start、line_num_end、qa_text，用Python结合正则实现分组提取。

当前问题 #

现有正则会错误捕获小写的q/a（如第275页第2行、第17行的小写a），同时需要满足：

• Q/A仅匹配大写形式
• 发言者头衔（Mr、Mrs.、Dr.等）支持大小写不敏感匹配，且与Q/A归入同一qa_type分组

当前正则 #

regex = r"(^(?P<line_num>[1-9]|1[0-9]|2[0-2])\b +)(?P<qa_type>(Q|A|Mr[\.|:]? [a-z]+|Mrs[\.|:]? [a-z]+|Ms[\.|:]? [a-z]+|Miss[\.|:]? [a-z]+|Dr[\.|:]? [a-z]+))?([\.|:|\s]+)?(?P<type_text>\b.*)|page (?P<page_num>\d{1,3})"

解决方案 #

调整后的正则 #

regex = r"(^(?P<line_num>[1-9]|1[0-9]|2[0-2])\b +)(?P<qa_type>(Q|A|(?i:Mr[\.:]? [a-z]+|Mrs[\.:]? [a-z]+|Ms[\.:]? [a-z]+|Miss[\.:]? [a-z]+|Dr[\.:]? [a-z]+)))?([\.:\s]+)?(?P<type_text>\b.*)|page (?P<page_num>\d{1,3})"

关键调整点 #

1. 局部大小写不敏感修饰：用(?i:...)包裹所有头衔规则，仅让头衔部分支持大小写匹配（如Mr可匹配mr/MR），不影响Q/A的大写严格匹配。
2. 简化字符集：将[\.|:]简化为[\.:]，字符集内.无需转义，精简表达式。

额外提示 #

• 匹配时可过滤qa_type为空的结果，避免无效数据。
• 若仍有小写q/a误匹配，可在qa_type分组前增加边界校验（如\b），强化匹配准确性。

内容的提问来源于stack exchange，提问作者rnwtenor