如何用Python正则表达式提取PDF地址中冒号后的内容？

针对你从PDF提取的字符串，要捕获所有冒号:之后的地址内容（包括跨多行的情况），可以用以下正则表达式配合Python的re模块实现：

正则表达式及说明 #

(?<=:).*?(?=\n{2,}|\Z)

各部分作用：

• (?<=:)：正向断言，定位到冒号:的后方，不包含冒号本身
• .*?：非贪婪匹配任意字符（需配合re.DOTALL模式，让.能匹配换行符），直到遇到终止条件
• (?=\n{2,}|\Z)：正向断言，匹配连续两个及以上换行（空行，用于分隔不同地址）或字符串结尾的位置，不包含这些终止符

Python代码示例 #

import re

# 假设这是从PDF提取到的文本内容
pdf_extracted_text = """Alamat :Menara Bank Mega, Lantai 24, Jl. Kapten P Tendean
Kav. 12-14A

Alamat :JL USMAN NO. 42, RT 8/4, KEL. KELAPA DUA WETAN,
KEC. PASAR REBO, JAKARTA TIMUR

Alamat :JL. HR. RASUNA SAID KAV 1-2, GRAHA IRAMA
LANTAI 6 KUNINGAN TIMUR- SETIABUDI JAKARTA
SELATAN

Alamat :GD. GRAHA PRATAMA LT.10, JL. MT. HARYONO
KAV.15, TEBET

AHUAlamat :GEDUNG BERITASATU PLAZA LT. 8, JL. JEND. GATOT
SUBROTO KAV. 35-36"""

# 匹配所有目标内容
matches = re.findall(r'(?<=:).*?(?=\n{2,}|\Z)', pdf_extracted_text, re.DOTALL)
# 清理结果中的多余空白和换行
cleaned_addresses = [addr.strip() for addr in matches]

# 输出结果
for idx, addr in enumerate(cleaned_addresses, 1):
    print(f"地址 {idx}:\n{addr}\n")

运行后会输出每个地址的干净内容，自动处理跨多行的情况，同时忽略冒号前的任意前缀（比如Alamat、AHUAlamat）。

内容的提问来源于stack exchange，提问作者htm_01