Python多行正则提取PDF文本块报错求助：重复匹配问题

需求说明 #

想要从PDF中提取以下格式的所有文本块：

Aug 12, 2022 Name of Place €11.22 €123.12
To: Long Name of Place
Card: 123456******1234

已实现的单部分提取正则 #

# dates
reg_date = re.compile(r'((Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec) \d{1,2}\, \d{4})')

# currency
reg_cur = re.compile(r'[\$\u20AC\u00A3]{1}\d+\.?\d{0,2}')

# vendor
reg_vdr = re.compile(r'To\:(.*)')

# card
reg_crd = re.compile(r'Card\:(.*)')

遇到的问题 #

尝试提取完整文本块时，编写的正则报错multiple repeat at position 77，代码如下：

# block
reg_block = re.compile(r'(?<=(Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec) \d{1,2}\, \d{4}(.*?)?=******\d{4})')
matches = reg_date.findall(raw['content'])
print(matches)

问题分析与解决方案 #

1. 正则报错的直接原因 #

报错的核心是你写的=******部分：*是正则的重复元字符（表示匹配前一个字符0或多次），连续写多个*会让正则引擎无法解析，属于语法错误。要匹配卡号里的******，需要把*转义为普通字符，写成\*\*\*\*\*\*，或者用\*{6}更简洁。

除此之外，你的正则还有两处明显问题：

• 正向预查(?<=...)的逻辑混乱，没有覆盖完整的文本块结构，而且(.*?)?是无效写法——.*?已经是非贪婪匹配，再加?完全多余。
• 未处理换行符：PDF提取的文本中换行通常是\n，正则默认不允许.匹配换行符，需要添加re.DOTALL（或re.S）标志来修正。

2. 正确的完整文本块正则示例 #

要匹配整个目标文本块，可以使用以下正则：

import re

# 匹配完整块的正则，适配换行、转义特殊字符，明确结构
reg_block = re.compile(
    r'(Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec) \d{1,2}, \d{4} .+? [\$\u20AC\u00A3]\d+\.?\d{0,2} [\$\u20AC\u00A3]\d+\.?\d{0,2}\r?\nTo: .+\r?\nCard: \d{6}\*{6}\d{4}',
    re.DOTALL
)

# 提取块后用已有正则拆分各部分
raw_content = """你的PDF提取文本内容"""
blocks = reg_block.findall(raw_content)

for block in blocks:
    date_match = reg_date.search(block)
    vendor_match = reg_vdr.search(block)
    cur_matches = reg_cur.findall(block)
    card_match = reg_crd.search(block)
    
    if all([date_match, vendor_match, cur_matches, card_match]):
        print(f"日期: {date_match.group(0)}")
        print(f"商家: {vendor_match.group(1).strip()}")
        print(f"金额: {cur_matches}")
        print(f"卡号: {card_match.group(1).strip()}")
        print("---")

3. 额外优化建议 #

• 日期匹配可以添加re.IGNORECASE标志，兼容PDF中可能出现的小写月份（比如aug）。
• 卡号部分固定为6位数字+6个*+4位数字，用\d{6}\*{6}\d{4}比模糊匹配更精准。
• 用\r?\n替代\n，适配Windows系统的\r\n换行格式。

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