使用正则表达式提取指定受访者PDF访谈文本的问题求助

我用以下代码从PDF提取访谈文本：

from pdfminer.high_level import extract_text
text = extract_text(f"C:/Users/User/Desktop/Interview1.pdf")

提取后的访谈文本结构如下（保留了换行符，这可能是代码失效的原因）：

CHRIS BACON, CEO COMMERCIAL METALS COMPANY: bla bla bla...
BARBARA SMITH, SVP AND CFO, COMMERCIAL METALS COMPANY: I agree with Chris Bacon, bla bla bla bla....

JOSEPH ALVARADO: Bla bla bla bla....

我的目标是提取特定受访者的发言，受访者发言以大写姓名（可附带职位）加冒号开头。我尝试用下面的代码提取Barbara Smith的发言，但没得到结果：

Smith_text = re.findall(r'SMITH(.*):(.*):', text)

我不太懂正则表达式，求帮忙。

你的正则表达式问题出在这几个点：

1. 匹配逻辑错误：SMITH(.*):(.*): 试图匹配SMITH后到第二个冒号的内容，但实际你需要的是匹配到下一个受访者的开头（或文本结尾），而非第二个冒号。
2. 未处理换行符：文本里有换行，正则默认.不匹配换行，导致跨行的发言内容被截断或匹配失败。

针对提取Barbara Smith的发言，推荐两种实用写法：

写法一：精准提取目标受访者的发言 #

import re

# 匹配BARBARA SMITH开头的条目，捕获冒号后的内容，直到下一个受访者开头或文本结束
pattern = r'BARBARA SMITH,.*?:(.*?)(?=\n[A-Z][A-Z ]+?:|\Z)'
smith_text = re.findall(pattern, text, re.DOTALL)
# 清理多余换行和空格
cleaned_text = [re.sub(r'\s+', ' ', part).strip() for part in smith_text]
print(cleaned_text)

• re.DOTALL 让.可以匹配换行符，处理跨多行的发言内容
• (?=\n[A-Z][A-Z ]+?:|\Z) 是正向预查，匹配到下一个受访者的大写姓名+冒号，或者文本结尾就停止，避免混入其他受访者的内容

写法二：通用提取所有受访者发言（可按需筛选） #

如果需要提取所有受访者的发言并分类存储，用这个更灵活：

import re

# 匹配所有受访者块：姓名职位+冒号+发言内容
pattern = r'([A-Z][A-Z ,]+?:)(.*?)(?=\n[A-Z][A-Z ,]+?:|\Z)'
matches = re.findall(pattern, text, re.DOTALL)

# 整理成字典，键为受访者标识，值为发言内容
interview_dict = {}
for speaker, content in matches:
    speaker_key = speaker.strip()
    clean_content = re.sub(r'\s+', ' ', content).strip()
    interview_dict[speaker_key] = clean_content

# 提取Barbara Smith的发言
smith_text = interview_dict.get('BARBARA SMITH, SVP AND CFO, COMMERCIAL METALS COMPANY:', '')
print(smith_text)

原代码失效原因 #

原正则SMITH(.*):(.*):的逻辑是找SMITH后到第一个冒号的内容，再找第二个冒号前的内容，但你的文本里Barbara Smith的行只有一个冒号，后面是发言内容，所以根本匹配不到；同时没处理换行，跨行的发言也会被漏掉。

内容的提问来源于stack exchange，提问作者xxgaryxx