使用pdftotext提取PDF文本后如何用正则提取Account Number字段

你使用的正则^(Account\s+Number).*$默认下，Python的re模块中^仅匹配整个字符串的起始位置，$仅匹配整个字符串的结束位置。而Account Number对应的行在你的整段文本中间，所以无法匹配。

你可以通过添加正则匹配标志、调整正则规则两种方式解决，两种方式都可以直接提取到账号值：

方法1：添加多行匹配标志 #

给正则添加re.MULTILINE标志，让^和$可以匹配每一行的起止位置，同时用捕获组提取冒号后的账号内容，示例代码如下：

import re

# data为你已经提取到的整段PDF文本
match_res = re.search(r'^Account\s+Number\s*:\s*(\d+)', data, flags=re.MULTILINE)
if match_res:
    # 提取捕获组中的账号内容
    account_num = match_res.group(1)
    print(account_num) # 输出结果：00000031873583221

规则说明：

• \s*匹配字段名、冒号前后的任意空白字符，兼容PDF提取后可能出现的多空格、制表符排版问题
• (\d+)捕获冒号后的连续数字，即目标账号
• 如果账号存在非数字字符，可以把\d+替换为.*，同时在末尾加$，即正则写为r'^Account\s+Number\s*:\s*(.*)$'，即可捕获整行冒号后的所有内容。

方法2：去掉行匹配限制 #

如果不需要严格匹配行开头，可以直接简化正则，无需额外标志即可匹配：

import re

match_res = re.search(r'Account\s+Number\s*:\s*(\d+)', data)
if match_res:
    account_num = match_res.group(1)

这种方法适合确认文本中只会出现一次Account Number字段的场景，写法更简洁。

内容的提问来源于stack exchange，提问作者senarijit1618