使用Python使用正则表达式仅从字符串中提取特定值

我正试图使用正则表达式从字符串中提取特定的文本值，但由于在需要提取值的关键字的开头之间没有空格，因此出现了错误。 查找以提取关键字的值开始

尝试使用PyPDF2和pdfminer，但出现错误

fr = PyPDF2.PdfFileReader(file)
data = fr.getPage(0).extractText()

输出：[日期：2020-09-06 20:43:00确认号：3300000266收款人原始发票号：IN05200125634开具日期：06.09.2015税务发票（根据2017年《商品及服务税法案》第31（1）条开具）POLO INDUSTRIES LIMITEDCIN:K253648B85PLC015063GSTIN:3451256132uuy668803E1Z9PAN:BBB7653279K.…]

我希望从上述输出中获取确认号、发布日期、CIN

使用脚本：

    regex_ack_no = re.compile(r"Ack No(\d+)")
    regex_due_date = re.compile(r"Date of Issue(\S+ \d{1,2}, \d{4})")
    regex_CIN = re.compile(r"CIN(\$\d+\.\d{1,2})")

ack_no = re.search(regex_ack_no, data).group(1)
due_date = re.search(regex_due_date, data).group(1)
cin = re.search(regex_CIN, data).group(1)

return[ack_no, due_date, cin]

错误：

AttributeError: 'NoneType' object has no attribute 'group'

---

当对另一个PDF文件使用相同的脚本时，它的工作格式是表格式的数据。

您需要更改regexp模式以匹配数据格式。关键字后面是空格和

：

，您必须匹配它们。日期的格式与模式中的格式不同，

CIN

的格式也不同

在调用

.group（1）

之前，请检查匹配是否成功。在下面的代码中，如果没有匹配项，我将返回默认值

import re

data = 'Date : 2020-09-06 20:43:00Ack No : 3320000266Original for RecipientInvoice No.: IN05200125634Date of Issue: 06.09.2015TAX INVOICE(Issued u/s 31(1) of GST Act, 2017)POLO INDUSTRIES LIMITEDCIN: K253648B85PLC015063GSTIN: 3451256132uuy668803E1Z9PAN: BBB7653279K .....'

regex_ack_no = re.compile(r"Ack No\s*:\s*(\d+)")
regex_due_date = re.compile(r"Date of Issue\s*:\s*(\d\d\.\d\d\.\d{4})")
regex_CIN = re.compile(r"CIN:\s*(\w+?)GSTIN:")

ack_no = re.search(regex_ack_no, data)
if ack_no:
    ack_no = ack_no.group(1)
else:
    ack_no = 'Ack No not found'
due_date = re.search(regex_due_date, data)
if due_date:
    due_date = due_date.group(1)
else:
    due_date = 'Due date not found'
cin = re.search(regex_CIN, data)
if cin:
    cin = cin.group(1)
else:
    cin = 'CIN not found'

print([ack_no, due_date, cin])

---

您没有在

确认号

和号码之间匹配

：

。您与

发行日期之后的
：
不匹配。您没有匹配
：
在
CIN
之后，并且
CIN
的格式不是
$
后跟一个1-2位小数的数字。换句话说，正则表达式似乎与数据格式根本不匹配。@Barmar-也尝试过使用您提到的上述方法，但没有奏效，现在我正在尝试匹配关键字，以Ack No，Date of Issue，CIN开头，因为我们必须从多个PDF中捕获值。发布日期是
\d\d\。\d\d\。\d{4}
，为什么要匹配
\d{1,2}，\d{4}
？没有抓住要点，请解释一下？谢谢你宝贵的回答，由于我不熟悉这种语言，我只想知道“regex_CIN=re.compile（r“CIN:\s*（\w+？）GSTIN:”），为什么我们在正则表达式中使用GSTIN，我们有不同结构格式的PDF，所以如果GSTIN不存在，会发生什么情况，所以我们必须在脚本中进行更改，有没有一种方法可以在正则表达式中不使用GSTIN来查找CIN。正如我在上面的评论中所说的，在
CIN
值之后没有分隔符，因此我使用
GSTIN:
来检测结束。您可以使用
（？：GSTIN:）？
使
GSTIN
可选，但它可能会在CIN中包含其他一些字段。除非你能为如何找到不同的比特定义简单的规则，否则你将很难做到这一点。