PDF图像挖掘中结构化文本转Python字典的简洁实现方案咨询

可以通过正则模式映射+批量匹配的方式替代零散的re.sub操作，代码更简洁易维护，同时自动处理字段缺失的情况：

核心思路 #

• 把需要提取的字段和对应的正则模式统一存入字典，方便管理和修改
• 初始化结果字典，所有字段默认设为NULL
• 对文本做一次全局预处理，消除多余换行和空格
• 遍历字段模式，批量匹配并更新结果字典

代码实现 #

import re

def extract_structured_data(raw_text):
    # 定义字段与对应的正则匹配模式，兼容换行、空格等格式问题
    field_patterns = {
        "Name": r"Name\s*:\s*(.*?)(?=\s*[A-Za-z']+:|$)",
        "Father/Husband Name": r"(Father's Name|Husband's Name)\s*:\s*(.*?)(?=\s*[A-Za-z']+:|$)",
        "House Number": r"House Number\s*:\s*(.*?)(?=\s*[A-Za-z']+:|$)",
        "Age": r"Age\s*:\s*(.*?)(?=\s*[A-Za-z']+:|$)",
        "Gender": r"Gender\s*:\s*(.*?)(?=\s*[A-Za-z']+:|$)"
    }
    
    # 初始化结果，所有字段默认设为NULL
    result = {field: "NULL" for field in field_patterns.keys()}
    
    # 全局预处理：合并多余的换行、空格，统一文本格式
    cleaned_text = re.sub(r'\s+', ' ', raw_text).strip()
    
    # 批量匹配每个字段
    for field, pattern in field_patterns.items():
        match = re.search(pattern, cleaned_text, re.DOTALL)
        if match:
            # 针对Father/Husband Name字段，取第二个分组的值
            value = match.group(2).strip() if field == "Father/Husband Name" else match.group(1).strip()
            # 若匹配到空值，仍设为NULL
            result[field] = value if value else "NULL"
    
    return result

使用示例 #

假设从PDF提取的原始文本如下：

Name : Alice Smith
Husband's Name : Bob Smith
House Number : 78
Age : 
Gender : Female

调用函数并输出结果：

sample_raw_text = """Name : Alice Smith
Husband's Name : Bob Smith
House Number : 78
Age : 
Gender : Female"""

extracted_data = extract_structured_data(sample_raw_text)
print(extracted_data)

输出结果：

{
    'Name': 'Alice Smith',
    'Father/Husband Name': 'Bob Smith',
    'House Number': '78',
    'Age': 'NULL',
    'Gender': 'Female'
}

优势说明 #

• 字段规则集中管理，新增或修改字段只需调整field_patterns字典，无需改动核心逻辑
• 全局预处理替代多次零散的re.sub，减少重复操作
• 自动处理字段缺失、值为空的情况，统一返回NULL

内容的提问来源于stack exchange，提问作者yawwml