使用PyPDF2+re定位PDF页码时重复匹配导致tabula提表错误

出现该问题有三个核心原因：

• 子串误匹配：短目标串STATEMENT OF PROFIT AND LOSS是长目标串CONSOLIDATED STATEMENT OF PROFIT AND LOSS的子串，遍历到第131页时，长串内容会触发短串的匹配规则
• 变量无保护：匹配到对应页码后没有终止对应项的匹配逻辑，第131页的误匹配会覆盖第73页已经存入sat变量的正确值
• 逻辑错误：原代码打印S对应页码时错误使用了i+1，和标注的S实际在131页的位置不符

按以下逻辑调整代码即可：

• 初始化变量时增加命中标记，两个目标串只要找到对应页码，就不再更新对应存储变量，防止值被覆盖
• 调整匹配顺序，优先匹配长度更长的目标串S，当前页命中S后直接跳过P的匹配判断，从逻辑上避免子串误触发
• 两个目标都命中后直接终止PDF遍历，不需要扫描剩余页面，提升运行效率
• 提取表格时分别输出两个页面对应的文件，避免结果覆盖

import tabula
import PyPDF2
import re

pdffile = "NCC.pdf"
reader = PyPDF2.PdfFileReader(pdffile)

P = "STATEMENT OF PROFIT AND LOSS"   # 实际位于PDF第73页
S = "CONSOLIDATED STATEMENT OF PROFIT AND LOSS"   # 实际位于PDF第131页

# 初始化页码存储变量和命中标记
sat = None
con = None
found_p = False
found_s = False

for i, page in enumerate(reader.pages, start=1):
    # 两个目标都找到就终止遍历
    if found_p and found_s:
        break
    text = page.extract_text()
    # 优先匹配更长的目标串S
    if not found_s and re.search(re.escape(S), text):
        print(f"S String Found on Page: {i}")
        con = str(i)
        found_s = True
        # 命中长串后跳过当前页P的匹配，避免子串误判
        continue
    # 仅在未找到P时执行匹配
    if not found_p and re.search(re.escape(P), text):
        print(f"P String Found on Page: {i}")
        sat = str(i)
        found_p = True

# 校验页码存在后再执行提取，避免空值报错
if sat:
    tabula.convert_into(pdffile, "profit_loss.csv", output_format="csv", pages=sat)
if con:
    tabula.convert_into(pdffile, "consolidated_profit_loss.csv", output_format="csv", pages=con)

补充：如果PDF其他位置还存在零散的子串误匹配，可以给匹配规则增加边界限制，比如将P的匹配条件改为re.search(rf"(?<!\S){re.escape(P)}(?!\S)", text)，保证匹配到的目标串前后是空白字符或行首行尾，进一步提升匹配准确率。

内容的提问来源于stack exchange，提问作者Shashi