使用Python invoice2data提取PDF发票时正则匹配不全问题求助

问题根源 #

你遇到的情况是PDF转文本时，部分"CGK / WIII"里的空格并非普通空格（ASCII 32），而是非标准空白字符（比如不间断空格\u00A0、全角空格\u2000系列），肉眼无法区分，但正则或字符串匹配会严格识别编码，导致漏匹配。

具体解决方案 #

1. 排查字符编码
   用Python打印疑似行的字符编码，确认特殊字符：

   # 取一行疑似"CGK / WIII"的文本
   line = "CGK / WIII ..."  # 替换为你实际的问题文本行
   print([(c, ord(c)) for c in line[:8]])
   

   输出里如果看到空格的编码不是32，就说明是特殊空白字符导致的问题。

2. 调整正则表达式
   把匹配空格的部分改成能兼容所有空白的规则：

   • 匹配任意数量的空白（包括特殊空格）：CGK\s+\/\s+WIII
   • 精准匹配常见特殊空白：CGK[\u0020\u00A0\u2000-\u200F]*\/[\u0020\u00A0\u2000-\u200F]*WIII
     替换你原来的正则，就能匹配到所有4行内容。

3. 预处理文本统一空白
   先把所有非标准空白替换成普通空格，再进行匹配：

   import re
   # 清理文本中的特殊空白
   cleaned_text = re.sub(r'[\u00A0\u2000-\u200F\u202F]', ' ', raw_pdf_text)
   # 现在直接匹配固定字符串或原正则都能生效
   all_matches = re.findall(r'CGK / WIII', cleaned_text)
   

4. 适配invoice2data模板
   如果是用invoice2data的YAML模板，直接把字段的正则改成兼容版本：

   fields:
     flight_entries:
       regex: 'CGK\s+\/\s+WIII.*'
       type: list
       group: all
   

内容的提问来源于stack exchange，提问作者regulus