如何匹配数字与点组成的序列？正则提取PDF内容匹配错误如何解决

问题原因 #

• 正则语法错误：.在正则中是通配符，可匹配任意非换行字符，你没有对需要匹配的字面量小数点做转义，写的.{0,1}会匹配任意单个字符，而非你预期的可选小数点。
• 变量名大小写不匹配：你定义存储提取文本的变量为textPage，但re.search中调用的是小写的textpage，Python大小写敏感，这里存在明显的语法错误。
• 匹配逻辑不符合需求：re.search默认返回全文中第一个符合规则的匹配结果，你提取的PDF文本开头就是93，刚好适配你当前的错误正则，所以优先返回了93而非你想要的1.5.4。
• 规则不严谨：你需要匹配的是多段用小数点连接的数字序列，现有规则没有限定小数点必须出现在数字之间，也没有排除单独数字的匹配场景。

解决方法 #

首先修正正则表达式，要匹配x.y.z这类多级数字编号，可使用规则\d{1,2}(?:\.\d{1,2})+：其中\d{1,2}匹配1-2位开头数字，(?:\.\d{1,2})+是非捕获组，匹配一个或多个「小数点+1-2位数字」的组合，既符合你要的编号格式，也不会误匹配单独的页码数字。
同时修正变量名大小写问题，添加匹配结果判空逻辑避免报错，修正后代码如下：

import PyPDF2
import re
import sys
       
if __name__ == '__main__':
    pdf_file = open('RH5-94.pdf','rb')
    read_pdf = PyPDF2.PdfFileReader(pdf_file)
    number_of_pages = read_pdf.getNumPages()
    # 修正后的正则，匹配至少有一级分隔的多级数字编号
    IdCis = r"\d{1,2}(?:\.\d{1,2})+"
    Description = "(?<=Description:)(.*)(?=Rationale)"
    Rationale = "(?<=Rationale:)(.*)(?=Audit)"    
    textPage = read_pdf.getPage(0).extractText() 
    match_res = re.search(IdCis, textPage)
    if match_res:
        print(match_res.group(0))

内容的提问来源于stack exchange，提问作者Hasunohana