这问题我之前踩过坑！核心原因是PDF里的"profit"中的"fi"是连字（ligature）——也就是把f和i合并成了一个单独的Unicode字符（fi，U+FB01），而不是两个独立的f+i。你手动输入的"profit"是普通的字符组合，自然和提取出的文本不匹配；但复制的时候，大多数文本编辑器会自动把这个连字转换成普通的fi，所以复制到代码里就能正常匹配了。

给你几个实用的解决方案：

方案1：预处理文本，替换所有常见连字 #

最通用的方法是先把提取到的PDF文本里的连字替换成对应的普通字符，再做正则匹配。可以先定义一个常见连字的映射表，覆盖PDF里可能出现的情况：

import re

# 常见的英文连字映射
ligature_replacements = {
    'fi': 'fi',
    'fl': 'fl',
    'ff': 'ff',
    'ffi': 'ffi',
    'ffl': 'ffl',
    'ſt': 'ft'
}

def normalize_ligatures(text):
    # 遍历映射表替换所有连字
    for ligature, replacement in ligature_replacements.items():
        text = text.replace(ligature, replacement)
    return text

# 先处理文本，再匹配
processed_text = normalize_ligatures(extracted_pdf_text)
match = re.search(r'statement of profit or loss', processed_text, re.IGNORECASE)

方案2：修改正则表达式兼容连字 #

如果你不想预处理文本，也可以直接在正则里同时匹配普通字符和对应的连字。比如针对"profit"，可以写成：

pattern = r'statement of pro(?:fi|fi)t or loss'
match = re.search(pattern, extracted_pdf_text, re.IGNORECASE)

不过这个方法的局限性是，你需要逐个处理可能出现连字的位置，不如预处理来得彻底。

额外小提示 #

如果想确认提取的文本里到底是什么字符，可以用repr()函数打印出来，比如print(repr(text))，这样就能看到'profit'（注意中间的fi是单个字符），而不是'profit'。

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