Python 用于提取特定变量和值的正则表达式

我正在使用GoogleVisionAPI从申请表的图像中提取文本（手写加计算机书写）。响应是一个长字符串，如下所示

字符串：

"A. Bank Challan
Bank Branch
ca
ABC muitce
Deposit ID VOSSÁETM-0055
Deposit Date 16 al 19
ate
B. Personal Information: Use CAPITAL letters and leave spaces between words.
Name: MUHAMMAD HANIE
Father's Name: MUHAMMAD Y AQOOB
Computerized NIC No. 44 603-5 284 355-3
D D M m rrrr
Gender: Male Age: (in years) 22 Date of Birth ( 4-08-1999
Domicile (District): Mirpuskhas Contact No. 0333-7078758
(Please do not mention converted No.)
Postal Address: Raheel Book Depo Naukot Taluka jhuddo Disstri mes.
Sindh.
Are You Government Servant: Yes
(If yes, please attach NOC)
No
✓
Religion: Muslim
✓
Non-Muslimo
C. Academic Information:
B
Intermediate/HSSC ENG Mirpuskhas Bise Match
Seience BISEmirpuskhas Match
2016
2014
Matric/SSC"

整个响应对我来说没有用处，但是我需要解析响应以获得特定字段，如姓名、父亲姓名、NIC号、性别、年龄、出生日期、住所和联系方式

我正在使用Python中的正则表达式库（re）为每个字段定义模式。例如：

import re
name ='Name: \w+\s\w+'
fatherName = 'Father\'s Name: \w+\s\w+\s\w+'
age ='Age: \D+\d+'

print(re.search(name,string).group())
print(re.search(fatherName, string).group())
print(re.search(age,string).group())

输出：

"Name: MUHAMMAD HANIE
Father's Name: MUHAMMAD Y AQOOB
Age: (in years) 22"

然而，这些都不是健壮的模式，我不知道这种方法是否好。我也不能提取在同一行上的字段，比如性别和年龄

---

我如何解决这个问题

它可能不可靠，但是可以设计一个表达式来提取您想要的三个参数。我可以帮你这么做。也许，您可能希望有一个具有多个边界的表达式：

(?=[A-Z])((Name:[A-Z-a-z\s]+\n|\s)|(Father\x27s\sName[A-Z-a-z\s\.]+\n|\s)|(Age:\s\(in\syears\)\s[0-9]+))

专注于您希望提取的文本可能会更好

差异

• 年龄：这个变量似乎很容易提取
• Name和Father's Name：您可能希望检查这两个变量中的值的外观，以便将其添加到char列表中。我刚刚假设，这可能是一个字符列表：

  [a-Z-a-Z\s\.]

  。但是，您可以根据自己的意愿对其进行更改/简化

正则描述图 这有助于可视化表达式：

Python测试

#-*-编码：UTF-8-*-
进口稀土
string=”“”
A.查兰银行
银行分行
ca
ABC muitce
存款ID VOSSÁETM-0055
存款日期16 al 19
吃了
个人信息：使用大写字母，并在单词之间留空格。
姓名：穆罕默德·哈尼
父亲的名字：穆罕默德·亚库布
计算机化NIC编号44 603-5 284 355-3
D D M rrrr
性别：男性年龄（以年为单位）22出生日期（1999年8月4日）
住所（地区）：米尔普斯卡联系电话：0333-7078758
（请不要提及转换的编号）
邮政地址：Raheel Book Depo Naukot Taluka jhuddo Disstri mes。
信德省。
你是公务员吗？是的
（如果是，请附上NOC）
不
✓
宗教：穆斯林
✓
非穆斯林
C.学术信息：
B
中级/HSSC工程-米尔普斯卡比赛
赛因斯·比塞米尔普斯卡比赛
2016
2014
Matric/SSC”“”
表达式=r'（？=[A-Z]）（（姓名：[A-Z-A-Z\s]+\n |\s）|（父亲\x27s\sName[A-Z-A-Z\s\.]+\n |\s）|（年龄：\s\（in\syears\）\s[0-9]+）
匹配=重新搜索（表达式、字符串）
如果匹配：
打印（“YAAAY！\”+match.group（2）+“\”是一个匹配项，请分组尝试捕获
\n姓名：（.*）姓名：（.*）计算机NIC号：（.*）\n.*\n发件人：（\w+）年龄：\（以年计）（\d+）出生日期：（*（[\d-]+）\n地区：（.*）联系电话：（[\d-]+）
请查看感谢@thefthbird。您的模式可以提供帮助。：）有数千个这样的字符串。我需要分别为每个字段定义模式，以便将它们捕获到适当的变量中，并相应地填充数据库中的列。感谢@Emma提供如此详细的答案和链接。不仅有三个字段，还有姓名、父亲姓名、NIC编号、性别、年龄、DoB、DOMCIle和联系人号码。实际上有数千个这样的字符串。我需要分别为每个字段定义模式，以便将它们捕获到适当的变量中，并相应地填充数据库中的列。dob='Date of Birth（*[\d-]+）'print（re.search（dob，data.group（））输出：Date of Birth（4-08-1999。在定义模式时，知道如何删除“（”或任何不必要的词吗？我只需要4-08-1999。谢谢！：）我不习惯这个平台，所以需要一些时间才能使它对我有用。