Python 3.34提取PDF中多个ID值失败，求代码修正方案

我来帮你搞定这个提取ID1和ID2的问题，你的代码目前有两个核心问题：正则表达式的语法错误，以及函数只能处理单个匹配的逻辑限制。我们一步步来修正：

1. 修正正则表达式的写法 #

你原来尝试用|连接两个模式的写法是错误的，Python里不能直接把两个字符串用|拼接，必须把整个匹配规则写在一个正则字符串里。针对ID1和ID2，我们可以写一个更简洁的正则，同时捕获ID类型和对应的数字：

pattern = r'ID(1|2):(\d+)(?:\D|$)'

• ID(1|2)：匹配ID1或ID2，(1|2)会捕获是1还是2
• (\d+)：捕获ID后面的所有数字
• (?:\D|$)：非捕获组，匹配数字后面的非数字字符或者字符串结尾（避免数字在文本末尾时匹配不到）

2. 修改extractWhiteText函数 #

原来的函数只用了re.search（只找第一个匹配），而且只返回一个cID，无法处理多个ID。我们改成用re.finditer遍历所有匹配，把每个ID对应的值存入字典：

import re

def extractWhiteText(pattern, text):
    ids_dict = {}
    # 遍历所有匹配到的结果
    for match in re.finditer(pattern, text):
        id_key = f"ID{match.group(1)}"  # 生成ID1或ID2作为键
        ids_dict[id_key] = int(match.group(2))  # 把数字转为整数存入字典
    return ids_dict

3. 完整调用示例 #

结合你原来的PDF提取代码，完整的调用流程是：

# 假设你已经用PyPDF2或其他库获取了page的text
text = pdf.getPage(x).extractText()

# 使用修正后的正则和函数
pattern = r'ID(1|2):(\d+)(?:\D|$)'
ids = extractWhiteText(pattern, text)

# 打印结果，比如如果同时有ID1和ID2，会输出类似 {'ID1': 12345, 'ID2': 67890}
print(ids)

额外说明 #

如果你的PDF文本里ID的格式有特殊情况（比如ID和数字之间有空格，或者数字后面直接换行），可以稍微调整正则。比如如果ID后面有空格，改成ID(1|2):\s*(\d+)(?:\D|$)即可，\s*用来匹配0个或多个空白字符。

内容的提问来源于stack exchange，提问作者ArGoode