如何移除通过Regex从PDF提取的指定目标字符串？

嘿，我来帮你搞定这个PDF文本清理的问题！从你列出的几个要移除的字符串来看，都是PDF提取时带出来的包含Page标记、发票相关前缀的冗余块，下面是具体的解决思路和代码示例：

第一步：先梳理冗余内容的共性模式 #

你要清理的文本块有几个明显特征：

• 包含Page关键字（后面可能跟着数字，也可能是空的）
• 常和Invoice No./INVOICE :/Invoice Date:这类发票相关前缀绑定出现
• 都是多行的文本片段

第二步：编写针对性的正则表达式 #

我们可以写一个正则来精准匹配这些多行冗余块，搭配re.DOTALL（让.能匹配换行符）和re.IGNORECASE（忽略大小写差异，避免大小写不一致漏匹配）两个标志：

import re

# 定义匹配冗余块的正则模式
cleanup_pattern = r'(?:Invoice No\.|INVOICE :|Invoice Date:)?\s*(?:Page\s*\d?\s*\n?)+.*?(?:\n|$)'

正则模式拆解： #

• (?:Invoice No\.|INVOICE :|Invoice Date:)?：匹配可选的发票类前缀，?:表示这是个非捕获组（不单独提取内容），?表示这个前缀是可选的
• \s*：匹配任意数量的空白字符（包括空格、换行）
• (?:Page\s*\d?\s*\n?)+：匹配一个或多个Page相关行，\d?允许Page后面跟着可选的数字（比如Page 1或Page ），\n?允许行尾带可选的换行
• .*?(?:\n|$)：非贪婪匹配后续的所有内容，直到遇到下一个换行或文本结尾，避免误匹配到有效内容

第三步：用正则替换完成清理 #

假设你从PDF提取的原始文本存在extracted_text变量里，直接用re.sub替换掉匹配到的冗余内容即可：

# 示例：原始提取的文本
extracted_text = """
Invoice No.
Page 1
WS350430
DRDR30899
这是需要保留的有效内容
INVOICE :
Invoice Date:
Page 
SI01240784
更多有效内容
Page 1
WS350430 
Invoice Date:
Page 
"""

# 执行清理
cleaned_text = re.sub(cleanup_pattern, '', extracted_text, flags=re.DOTALL | re.IGNORECASE)
print(cleaned_text)

运行后，所有你列出的冗余块都会被移除，只剩下有效内容。

灵活调整的小技巧 #

如果遇到特殊情况没覆盖到，你可以随时调整正则：

• 如果有其他发票前缀（比如Invoice #），直接加到第一个非捕获组里，比如(?:Invoice No\.|INVOICE :|Invoice Date:|Invoice #)?
• 如果Page后面的内容有固定格式，也可以细化匹配规则（比如只匹配带数字的Page \d+）

内容的提问来源于stack exchange，提问作者reddy