Python re.finditer匹配PDF文本无法输出目标匹配行问题求解

• re.finditer返回值是迭代器对象，直接打印只会输出对象内存地址，属于正常表现。遍历迭代器拿到的是正则匹配对象，直接打印匹配对象不会输出匹配到的文本内容，必须调用匹配对象的.group()方法才能获取实际匹配结果。
• 正则未开启多行匹配模式：默认配置下，正则语法中的^和$只会匹配整个文本串的开头和结尾，不会按换行符识别单行边界，因此无法逐行匹配目标内容。
• 原正则规则存在冗余和逻辑问题：手动枚举Bank|bank|BANK三种大小写形式没有必要，可通过正则忽略大小写标记简化；同时.*后强制要求存在一个空格，会漏匹配Bank出现在行首、或Bank前无空格的场景，不符合匹配需求。

import re

# text为PyPDF2/tika提取得到的PDF文本内容
text = """Intermediary Bank (USD): censored,
New York, USA; SWIFT: censored 
Intermediary Bank (EUR): censored,
Frankfurt, Germany; SWIFT: censored
"""

# 开启多行模式（逐行匹配边界）+ 忽略大小写，匹配所有包含bank关键词的整行内容
bank_pattern = r'^.*bank.*$'
bank_iter = re.finditer(bank_pattern, text, flags=re.MULTILINE | re.IGNORECASE)

print('Here should be the bank name:')
for match in bank_iter:
    # 取出匹配到的实际文本
    print(match.group())

Here should be the bank name:
Intermediary Bank (USD): censored,
Intermediary Bank (EUR): censored,

额外注意 #

如果PDF提取出的文本存在换行符混乱、多余不可见空白字符的情况，可以先对text做预处理，比如统一将\r\n替换为\n、去除多余空白后再执行正则匹配，避免格式问题导致匹配失败。

内容的提问来源于stack exchange，提问作者user17740942