Regex提取工作经历文本返回空值的问题排查及解决方法

问题描述 #

我用pdfminer提取了一段简历文本，希望编写通用正则逻辑提取“Work Experience”（包含EXPERIENCE、Job Experience等同义表述）与“Areas Of Expertise”（包含Skills、Education等分界词）之间的工作经历内容。尝试了以下正则模式：

pattern = r'^(?:EXPERIENCE|Employment experience|Work Experience|Work  Experience|WORK EXPERIENCE|Previous Employment|Work Experience -|Job experience|)\s*(\S.*?)\n(?:Skills|EDUCATION|Education|SKILLS|Areas  Of  Expertise)'
matches = re.findall(pattern, text, re.M | re.S)
print(matches) 

但返回结果为[]，需要排查正则的问题并调整实现需求。

原正则的问题 #

• 行首锚定过于严格：^要求标题必须严格在行首，但简历中标题可能存在缩进或前导空格，导致匹配失败。
• 空分支引发无效匹配：正则中的|)空分支会匹配空字符串，干扰正常的标题匹配逻辑。
• 内容匹配边界模糊：\S.*?\n的组合在re.S模式下，.会匹配换行符，加上非贪婪匹配，可能提前终止内容匹配；且分界词前的\n没有考虑中间可能存在的空白行。
• 分界词匹配未处理空白：分界词前后可能存在空格、缩进或换行，原正则直接用\n衔接，无法适配这些场景。

调整后的正则方案 #

# 优化后的正则模式
pattern = r'(?:^|\n)\s*(?:EXPERIENCE|Employment experience|Work Experience|WORK EXPERIENCE|Previous Employment|Job experience|Work Experience -)\s*\n(.*?)\s*(?:\n|\Z)\s*(?:Skills|EDUCATION|Education|SKILLS|Areas Of Expertise)'
# 仅使用re.S模式，确保.能匹配换行符
matches = re.findall(pattern, text, re.S)
# 清理匹配结果中的多余空白
cleaned_matches = [match.strip() for match in matches]
print(cleaned_matches)

调整说明 #

• 标题起始匹配更灵活：用(?:^|\n)匹配标题的起始位置（行首或换行后），\s*匹配标题前后的任意空白（缩进、空格），适配简历中标题的排版差异。
• 移除空分支：删除原正则中的空选项分支，避免无效匹配干扰。
• 内容匹配逻辑优化：(.*?)非贪婪匹配标题后到分界词前的所有内容，re.S模式让.包含换行符，确保能捕获多行工作经历。
• 分界词匹配兼容空白：\s*(?:\n|\Z)\s*匹配内容与分界词之间的任意空白（包括空白行），\s*包裹分界词，处理分界词前后的空格或缩进。
• 结果清理：通过strip()去除匹配结果首尾的多余空白，让提取的内容更整洁。

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