Python脚本提取PDF正则匹配内容仅写入首个结果，求排查

你的脚本仅写入单个匹配结果，核心问题有两个：

问题点 #

• 未持续收集匹配结果：每次循环会用当前页的匹配覆盖CINV变量，之前页面的匹配数据直接丢失，最终只保留最后一次赋值的内容。
• 文件写入逻辑错误：with open(...)放在循环内部，且使用w+模式——该模式每次打开文件都会清空原有内容，导致每次循环都会覆盖之前的写入，最终文件仅保留最后一次循环的输出。

修复后的代码 #

import re
import PyPDF2

# PDF文件路径
CROZER = r"C:\Users\PC\Documents\Prospect Data\Crozer Invoices\rest of inovices\Crozer.pdf"

# 读取PDF文档
doc = PyPDF2.PdfFileReader(CROZER)
total_pages = doc.getNumPages()

# 定义匹配正则表达式
PO_PATTERN = re.compile(r'PO:\s\w{3}\d*|Invoice\s#:\s\d*')
all_matches = []  # 存储所有页面的匹配结果

for page_num in range(total_pages):
    current_page = doc.getPage(page_num)
    page_text = current_page.extractText()
    # 获取当前页所有匹配项
    page_matches = PO_PATTERN.findall(page_text)
    if page_matches:
        all_matches.extend(page_matches)
        print(f"第{page_num+1}页匹配结果：{page_matches}")

# 将所有匹配结果写入文件
with open('CI.txt', 'w', encoding='utf8') as output_file:
    # 每行写入一个匹配结果，可读性更强
    for match in all_matches:
        output_file.write(f"{match}\n")
    # 如果需要保留列表格式写入，替换上面的循环为：
    # output_file.write(str(all_matches))

关键修改说明 #

1. 全局收集结果：用all_matches列表存储每一页的匹配结果，通过extend方法追加，避免数据丢失。
2. 调整写入时机：将文件写入操作移到循环外部，仅打开一次文件，一次性写入所有结果，彻底避免覆盖问题。
3. 优化细节：
   • 避免使用内置类型名list作为变量名，改为all_matches。
   • 简化正则表达式中的\d{0,}为\d*，功能完全一致但更简洁。
   • 移除了未使用的csv导入。

内容的提问来源于stack exchange，提问作者Juan E Rojas Rodriguez