Python 正则表达式在忽略某些行的情况下提取单词前的数字

使用Python和pdf2text，我试图从收到的4000多个单页PDF文件中提取一个邮政编码，以便打印和邮寄-不幸的是，我无法访问原始文件，因此无法在创建文件时进行调整

我在这里的最终目标是用Postalcode_ExistingFilename.PDF重命名所有PDF文件，以便我可以根据邮政网络对它们进行排序。我还需要将同一客户的PDF合并到一个文件中，但这是另一个问题

在PDF中，我们有“亲爱的”一词，邮政编码在前面（尽管有几行）：

我已经设法让它工作了

(\d+)\s*Dear 

直到地址行数发生变化，导致转换为文本时，在“亲爱的”和“邮政编码”之间添加一块文本

04 Jul 2018

Mr Sam Sample
123 Sample Street
Sample City 1234

PO Box 1234
Sample City
Phone: 01234567
Fax: 01234568
Email: email@email.com
Website: email.com

Dear Sam

我试着从顶部开始，寻找不包括2018年的前4位数字，但是任何4位数字的街道号码都是匹配的，这不是我想要的

---

你能给出的任何建议都会很棒。

在不包含日期的行（即以数字开头的行）上，尝试在行尾匹配4位数字如何

---

您可以使用正则表达式：

\b\d{4}$\b（？）


\b
打开单词边界
\d{4}$
在行尾精确匹配四位数字
\b
关闭单词边界
（？负回溯，检查四位数字组是否为空


您可以在现场试用。根据评论，正则表达式基于邮政编码出现在行尾的假设。如果您预期的年份不同，您可以简单地调整负回溯以处理其他年份。例如：


（？将不包括2017年或2018年

（？将不包括从2010年到2019年的年份


根据您的Python版本，您可能需要为行的开始和结束断言指定re.MULTILINE标志

>>> str = """04 Jul 2018

Mr Sam Sample
1235 Sample Street
Sample City 1234

PO Box 1237
Sample City
Phone: 01234567
Fax: 01234568
Email: email@email.com
Website: email.com

Dear Sam"""

>>>re.findall(r"\b\d{4}$\b(?<!2018)",str,re.MULTILINE)
['1234', '1237']

>str=”“”2018年7月4日
山姆先生
样本街1235号
样本城市1234
邮政信箱1237
样本城市
电话：01234567
传真：01234568
电邮：email@email.com
网站：email.com
亲爱的山姆：
>>>re.findall（r“\b\d{4}$\b（？Try
\b\d{4}\b（？），这将排除2018年的匹配。您的文件中是否还有其他年份？
（\d{4}）\n{2}（+\n）+\nDear
邮政编码位于第1组。感谢@pkpkpk的快速回复。如果地址也是4位数字，即1920样本街，那么这似乎是错误的。如果从上往下看，地址中也可能出现其他号码，但至少知道亲爱的路线。@joshlindsay是始终位于lin末尾的邮政编码e、 而地址不是？如果是，请尝试
\b\d{4}$\b（？你已经搞定了@pkpk.Legend！有一些异常需要手动处理，但完全可行。谢谢。哦，太接近了。直到我在邮箱10376中找到地址。是否可以显式声明4位数字？更新..现在应该只匹配4位@pkpk。非常感谢这一点。我今天实现了它，但它的工作非常简单PDF的版本在邮政编码后有一个空格。我以为我解决了它，但在没有邮政编码的地方，它进一步查找文档并找到了另一个4位数字。在仍然查找行尾+一个空格时，是否还要附加表达式以考虑到这一点？欢迎您。尝试此
re.findall（r）（\b\d{4（？）？
import re
re.findall(r'^[^\d].*?\s+(\d{4})\s*$', data, re.MULTILINE)
# ['1234']

>>> str = """04 Jul 2018

Mr Sam Sample
1235 Sample Street
Sample City 1234

PO Box 1237
Sample City
Phone: 01234567
Fax: 01234568
Email: email@email.com
Website: email.com

Dear Sam"""

>>>re.findall(r"\b\d{4}$\b(?<!2018)",str,re.MULTILINE)
['1234', '1237']