如何从PDF提取的列表中提取指定内容并转换为Pandas DataFrame

可以通过正则表达式提取目标内容，再转换为Pandas DataFrame，具体步骤如下：

1. 导入依赖库 #

import re
import pandas as pd

2. 定义正则匹配规则 #

用正则精准匹配百分比和后续内容：

• (\d+%)：匹配数字加%的百分比部分
• .*?([^\s].*)：跳过%符号后可能的空格，提取从第一个非空格字符开始的全部内容（支持含1-2个特殊字符的情况）

3. 遍历列表提取数据 #

data_list = ['some random sentence','some random sentence 25% •Assignments for week1',
             'some random sentence','some random sentence 20% •Exam for week2','some random sentence',
             'some random sentence']

extracted = []
pattern = re.compile(r'(\d+%).*?([^\s].*)')
for item in data_list:
    match = pattern.search(item)
    if match:
        extracted.append({
            '百分比': match.group(1),
            '对应内容': match.group(2).strip()
        })

4. 转换为DataFrame #

df = pd.DataFrame(extracted)
print(df)

运行后输出的DataFrame示例：

百分比                 对应内容
0  25%  •Assignments for week1
1  20%      •Exam for week2

如果需要移除内容开头的特殊符号（比如•），可以把match.group(2).strip()替换为match.group(2).strip('• ')。

内容的提问来源于stack exchange，提问作者Ritesh Kankonkar