Python正则匹配交易记录关联附加信息及清理冗余内容

1. 关联附加信息到前一条交易记录 #

直接遍历PDF提取的文本行，区分交易记录与附加信息，将附加信息绑定到最近的交易条目即可：

• 先定义匹配交易记录的正则表达式（需根据你实际的交易格式调整，比如假设交易以日期开头）
• 初始化列表存储最终交易数据
• 逐行处理文本：
  • 若当前行匹配交易正则，创建新的交易字典并加入列表
  • 若不匹配且列表不为空，将当前行内容追加到最后一条交易的附加信息字段中

代码示例：

import re

# 自定义交易匹配正则（根据你的实际交易格式修改）
transaction_regex = re.compile(r'^\d{2}/\d{2}/\d{4}.*')

# 模拟PDF提取的文本行
extracted_lines = [
    "01/05/2024 永辉超市 ￥128.5",
    "备注：购买粮油、日用品",
    "03/05/2024 地铁出行 ￥12",
    "发票号：SH20240503007"
]

transactions = []
for line in extracted_lines:
    line = line.strip()
    if not line:
        continue
    if transaction_regex.match(line):
        # 拆分交易字段（按需调整拆分规则）
        parts = re.split(r'\s{2,}', line)
        transactions.append({
            "日期": parts[0],
            "交易描述": parts[1],
            "金额": parts[2],
            "附加信息": ""
        })
    elif transactions:
        # 将附加信息追加到前一条交易
        transactions[-1]["附加信息"] += f" {line}"

# 导出为CSV
import csv
with open('transaction_records.csv', 'w', newline='', encoding='utf-8') as f:
    writer = csv.DictWriter(f, fieldnames=["日期", "交易描述", "金额", "附加信息"])
    writer.writeheader()
    writer.writerows(transactions)

2. 过滤超20字符的冗余长单词 #

可以通过两种方式实现，按需选择：

方法1：正则替换直接清除 #

import re

def remove_long_words(text, max_len=20):
    # 匹配长度超过max_len的连续字母/数字串，替换为空
    return re.sub(rf'\b\w{{{max_len+1},}}\b', '', text)

# 示例使用
raw_text = "文本中包含超长冗余串abcdefghijklmnopqrstuvwxyz12345"
cleaned_text = remove_long_words(raw_text)
print(cleaned_text)  # 输出：文本中包含超长冗余串

方法2：拆分过滤后重组 #

def remove_long_words(text, max_len=20):
    words = text.split()
    filtered = [word for word in words if len(word) <= max_len]
    return ' '.join(filtered)

注意：如果冗余长串包含特殊字符（如连字符、标点），需调整正则匹配规则，比如将\w替换为[a-zA-Z0-9-]，适配你的实际冗余文本格式。

内容的提问来源于stack exchange，提问作者Madwolf