Python如何用单条正则提取PDF中跨多行的指定格式条目？

你遇到的问题根源是原有正则用re.MULTILINE配合行尾匹配符$，只能捕获单行内容，要实现跨行匹配完整条目，仅需调整正则规则和匹配flag即可：

可用正则表达式 #

你需要同时开启re.DOTALL（让.可以匹配换行符）和re.IGNORECASE（兼容(U)大小写匹配），不要用行尾锚定，而是匹配到条目末尾的闭合括号为止，正则写法如下：

^\d{1,2}\. \(U\) [^:]+:.*?\(.*?\)(?=\s*(?:^\d{1,2}\. \(U\)|\Z))

匹配逻辑说明：

• ^\d{1,2}\. \(U\) ：严格匹配条目开头的「数字+点+空格+(U)+空格」规则
• [^:]+:：匹配国家字段直到冒号位置，兼容包含特殊字符的国家名称
• .*?\(.*?\)：非贪婪匹配所有中间内容，直到遇到括号并完整匹配整个括号内容（包括跨行的括号内文本）
• (?=\s*(?:^\d{1,2}\. \(U\)|\Z))：正向预查确认匹配结束位置，要么是下一个条目的开头，要么是全文末尾，避免匹配到其他无关内容

Python调用示例 #

直接调用re.findall传入对应flag即可，不需要拆分按行遍历：

import re
# pdf_content为pdfminer提取的全文文本内容
result_list = re.findall(r'^\d{1,2}\. \(U\) [^:]+:.*?\(.*?\)(?=\s*(?:^\d{1,2}\. \(U\)|\Z))', pdf_content, flags=re.MULTILINE | re.DOTALL | re.IGNORECASE)

特殊场景适配 #

如果存在括号嵌套的情况，可以把括号匹配部分替换为\([^()]*(?:\([^()]*\)[^()]*)*\)，即可支持最多2层嵌套括号的匹配。

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