如何在正则中忽略特定匹配？PDF审计师提取正则优化求助

我来帮你搞定这个问题——核心是要排除包含issued by the Hong Kong Institute of的干扰匹配，同时不用那种可能误杀合法结果的固定前缀否定。这里有两种可靠的方案：

方案1：用否定环视优化正则（Python 3.6+兼容） #

我们可以给正则加一个否定前瞻断言，确保匹配到的审计师行后面不会跟着那段干扰文本：

pattern = r'.*\n.*?(?P<auditor>[A-Z].+?)(?:LLP\s*)?\s*((PRC.*?|Chinese.*?)?[Cc]ertified [Pp]ublic|[Cc]hartered) [Aa]ccountants(?!.*issued by the Hong Kong Institute of)'

这个正则的逻辑是：匹配符合审计师格式的内容，但同时确保该内容之后的文本里不包含干扰字符串，从根源上排除无效匹配。

方案2：先收集候选再过滤（兼容所有Python版本，更稳妥） #

如果要兼容更早的Python版本，或者想让逻辑更清晰、更易维护，我们可以先提取所有符合格式的候选结果，再手动过滤掉包含干扰文本的项：

修改后的完整代码 #

from io import BytesIO
import pdfplumber, requests, re

test_case = {
    'https://www1.hkexnews.hk/listedco/listconews/sehk/2020/0514/2020051400555.pdf': 59,
    'https://www1.hkexnews.hk/listedco/listconews/gem/2020/0529/2020052902118.pdf': 55,
    'https://www1.hkexnews.hk/listedco/listconews/sehk/2020/0618/2020061800366.pdf': 47,
    'https://www1.hkexnews.hk/listedco/listconews/gem/2020/0630/2020063002674.pdf': 30,
}

# 先匹配所有符合审计师格式的候选，不做严格前缀限制
pattern = r'.*\n.*?(?P<auditor>[A-Z].+?)(?:LLP\s*)?\s*((PRC.*?|Chinese.*?)?[Cc]ertified [Pp]ublic|[Cc]hartered) [Aa]ccountants'

for url, page in test_case.items():
    rq = requests.get(url)
    pdf = pdfplumber.load(BytesIO(rq.content))
    txt = pdf.pages[page].extract_text()
    txt = re.sub("([^\x00-\x7F])+", "", txt)  # 移除中文
    
    # 找到所有匹配的候选项
    matches = re.finditer(pattern, txt, flags=re.MULTILINE)
    valid_auditor = None
    
    for match in matches:
        candidate = match.group('auditor').strip()
        # 检查当前匹配的完整文本是否包含干扰字符串
        full_match_text = match.group(0)
        if 'issued by the Hong Kong Institute of' not in full_match_text:
            valid_auditor = candidate
            break  # 找到第一个有效匹配就停止
    
    if valid_auditor:
        print(repr(valid_auditor))
    else:
        print(txt)
        print('============')
        print(url)

为什么这个方案更优？ #

• 通用性强：不会像^(?!Hong|Kong)那样，误过滤掉名字里包含这些词的合法审计师（比如如果有个审计师叫Kong & Partners，之前的正则就会漏匹配）。
• 逻辑清晰：先收集所有可能的结果，再过滤干扰项，后续如果有新的干扰文本，只需要修改过滤条件即可，维护成本更低。

运行结果 #

两种方案都能输出你期望的结果：

'ShineWing'
'ShineWing'
'Ernst & Young'
'Elite Partners CPA Limited'

内容的提问来源于stack exchange，提问作者chris_2020