固定结构PDF提取：Python正则表达式顺序匹配优化问询

你当前从结构固定的PDF中提取信息，使用的正则表达式如下：

regex_objetivos = r"Objetivo([\s\S]*)(?=3\s*\.\s*Justi)"
regex_claves = r"Palabras\s+clave([\s\S]*?)(?:Intro|Introduc|1\s*.)"
regex_resumen = r"Resumen([\s\S]*?)(?=\s*Palabras\s*clave)"
regex_directores =r"Directores:\s*([\s\S]*?)(?:\n|\r\n?)"

原提取逻辑每次都从文本开头重新搜索，对于长文档会造成不必要的性能损耗。既然PDF结构固定，完全可以从上次匹配结束的位置开始继续搜索，以此缩短自动化耗时。

优化方案：顺序递进式匹配 #

核心思路是维护一个搜索起始位置变量，每次匹配成功后更新该位置，下次搜索直接从该位置开始，避免重复遍历整个文本。

修改后的提取代码

import re

# 假设text是从PDF提取的完整文本
text = "你的PDF提取文本内容"
current_pos = 0  # 记录当前搜索的起始位置

# 初始化结果变量
resumen = "no encontrado"
claves = "no encontrado"
directores = ["no encontrado"]
objetivos = "no encontrado"

# 正则表达式保留原定义
regex_objetivos = r"Objetivo([\s\S]*)(?=3\s*\.\s*Justi)"
regex_claves = r"Palabras\s+clave([\s\S]*?)(?:Intro|Introduc|1\s*.)"
regex_resumen = r"Resumen([\s\S]*?)(?=\s*Palabras\s*clave)"
regex_directores = r"Directores:\s*([\s\S]*?)(?:\n|\r\n?)"

# 按PDF实际内容顺序搜索（请根据你的PDF结构调整顺序）
# 1. 搜索Directores
match = re.search(regex_directores, text, pos=current_pos)
if match:
    directores = match.group(1).split(',')
    current_pos = match.end()

# 2. 搜索Resumen
match = re.search(regex_resumen, text, pos=current_pos)
if match:
    resumen = match.group(1).strip()
    current_pos = match.end()

# 3. 搜索Palabras clave
match = re.search(regex_claves, text, pos=current_pos)
if match:
    claves = match.group(1).strip()
    current_pos = match.end()

# 4. 搜索Objetivos
match = re.search(regex_objetivos, text, pos=current_pos)
if match:
    objetivos = match.group(1)
else:
    # 匹配文档末尾的Objetivo
    match = re.search(r"Objetivo([\s\S]*)(?=$)", text, pos=current_pos)
    if match:
        objetivos = match.group(1)

优势说明 #

• 减少重复遍历：每次搜索只处理未扫描过的文本区域，长PDF场景下耗时会明显降低
• 匹配更精准：依托固定结构的顺序，避免无关位置的匹配干扰

注意事项 #

• 必须确保搜索顺序和PDF中内容的实际出现顺序一致，否则可能无法找到目标字段
• 若某字段存在多位置出现的可能，可根据结构调整搜索逻辑，但固定结构下顺序匹配仍是最优选择

内容的提问来源于stack exchange，提问作者JMxnuell