适配三类PDF的通用表格数据提取正则表达式需求

问题分析 #

三类PDF的表格行存在以下共性与差异：

• 名称列：可能以数字开头（如1 XYZ Corp、15/92 Advertisement Inc.），也可能无前置数字（如FC LC-New York）；名称包含字母、空格、斜杠、连字符、点等特殊字符，大小写混合。
• 分配额列：格式覆盖纯小数（6.00）、带$符号（$2.0）、带k/m后缀（500.0k、2.0m）三种情况。

通用正则表达式 #

针对上述场景，设计通用正则匹配每行的名称与分配额：

import re

# 匹配名称（账户/贷方）和分配额的通用正则
row_regex = re.compile(r'^\s*(?:\S+\s+)?(.+?)\s+(\$?\d+(?:\.\d+)?(?:[km])?)\s*$')

正则拆解

• ^\s*：匹配行首任意空白字符
• (?:\S+\s+)?：可选的前置非空白内容（如数字1、15/92），不捕获该部分
• (.+?)：非贪婪匹配名称内容（账户/贷方名称），捕获为第1组
• \s+：匹配名称与分配额之间的空白分隔
• (\$?\d+(?:\.\d+)?(?:[km])?)：匹配分配额，捕获为第2组：
  • \$?：可选的$符号
  • \d+(?:\.\d+)?：整数或小数部分
  • (?:[km])?：可选的k/m后缀
• \s*$：匹配行尾任意空白字符

结合现有代码的使用示例 #

利用你已有的表头识别逻辑，遍历表格行提取数据：

import re
import json

row_regex = re.compile(r'^\s*(?:\S+\s+)?(.+?)\s+(\$?\d+(?:\.\d+)?(?:[km])?)\s*$')
# 匹配三类表头的正则
header_regex = re.compile(r'(Accounts|Account|Lender)\s+Allocation')

# 替换为你从PDF提取的行数据
lines = [
    "| Accounts | Allocation |",
    "|----------|------------|",
    "| 1 XYZ Corp | 6.00 |",
    "| 2 BCF | 3.00 |",
    "| 3 Barings | 2.50 |",
    "",
    "| Account | Allocation |",
    "|---------|------------|",
    "| 1 Amep | $2.0 |",
    "| 2 Asset Pioneer | $13.0 |",
    "| 3 Creed Partners | $35.5 |",
    "",
    "| Lender | Allocation |",
    "|--------|------------|",
    "| 15/92 Advertisement Inc. | 500.0k |",
    "| FC LC-New York | 2.0m |",
    "| ABE PARTNERS INC | 5.0m |"
]

table_data = []
current_table = []
table_start = None
current_header = None

for i, line in enumerate(lines):
    # 识别表头并记录当前列类型
    header_match = header_regex.search(line)
    if header_match:
        table_start = i + 2  # 跳过表头分隔线行
        current_header = header_match.group(1)
        current_table = []
    # 处理表格行
    elif table_start is not None and i >= table_start:
        line_clean = line.strip().strip('|').strip()
        if not line_clean:
            # 表格结束，存入总数据
            table_data.append({
                "header": current_header,
                "rows": current_table
            })
            table_start = None
            current_header = None
            continue
        # 用通用正则匹配行数据
        row_match = row_regex.match(line_clean)
        if row_match:
            name = row_match.group(1).strip()
            allocation = row_match.group(2).strip()
            current_table.append({
                current_header.lower(): name,
                "allocation": allocation
            })

# 输出JSON格式结果
print(json.dumps(table_data, indent=2))

适配扩展说明 #

• 若分配额后缀存在大小写差异（如K/M），可将正则中的[km]改为[kKmM]；
• 若PDF提取的行存在单元格换行，需先对行进行合并预处理；
• 若名称中包含数字（示例未覆盖），可通过表头列的固定位置拆分数据，避免误匹配。

内容的提问来源于stack exchange，提问作者Jess