如何在Python中重复正则表达式的特定部分？

我正在用Python进行一项信息检索任务，我试图从PDF文件中提取发票号，我已将其转换为字符串（保留原始格式），一些PDF文件在表格格式中有多个发票号。以下是一张PDF发票的示例：

Invoice Number Date         Ac.No.      Type         Amount

1654339087      28.01.2019  1508765556  Invoice      1,268.40
1655214567      18.12.2018  3508753550  Invoice      3,134.20
1609833445      12.02.2019  2500444556  Invoice      2,735.84

为了从这些表中提取发票号，我创建了一个正则表达式，它帮助我从这些表中提取发票号，为了从多行中获取发票号，我重复了正则表达式的最后一部分，例如在上面的场景中，我将重复正则表达式的最后一部分（

+\n（\d{5，}）

）3次，这很好，但问题是我不知道PDF文件中有多少这样的行，例如10,20。在这种情况下，我需要重复regex的这一部分，重复的行数等于行数，我正在寻找一种有效的解决方案，其中我可以在regex中提到一个数字（等于总行数），或者将regex与一些要重复的数字相乘

例如：（

+\n（\d{5，}）*10

）或（

+\n（\d{5，}）{10}

）。我发现很少有类似的答案（不完全相同）提到使用

{}

传递数字，但这在我的情况下不起作用。下面是我创建的正则表达式：

pattern = re.compile(r'Invoice Number\s*[A-Za-z0-9-._:\s]+\n(\d{5,}).+\n(\d{5,}).+\n(\d{5,})',re.IGNORECASE | re.MULTILINE)

预期的输出是（我目前通过重复regex的一部分3次得到）：

---

感谢您的帮助

您可以尝试逐行读取文件，从第二行开始：

f = open('your_file.txt')
line = f.readline()      # consume the header

while line:
    line = f.readline()
    print(re.search(r'^\d+', line).group())  # print the invoice number

f.close()

---

您可以尝试逐行读取文件，从第二行开始：

f = open('your_file.txt')
line = f.readline()      # consume the header

while line:
    line = f.readline()
    print(re.search(r'^\d+', line).group())  # print the invoice number

f.close()

---

正如@Wiktor Stribiżew在另一个SO帖子上所建议的那样 以下解决方案适用于我使用regex的情况：

---

正如@Wiktor Stribiżew在另一个SO帖子上所建议的那样 以下解决方案适用于我使用regex的情况：

---

---

如果您非常需要它，请使用PyPi regex模块，请参阅。否则，将需要的部分作为一个整体捕获，然后仅对提取的块应用另一个更简单的正则表达式搜索。考虑到10行约束，匹配行之间是否会有间隙？假设3行匹配，接下来5行-不匹配，然后7行-匹配？@RomanPerekhrest-不，不会有间隙，表格将有一个标题（发票编号），然后有多行，每行都有一个发票编号。因此，我认为如果标题后的第一行在匹配中返回，那么其余的行也将匹配。很好，您可以将其作为答案发布，顺便说一句。@Wiktor Stribiżew-感谢您的评论，虽然您提供的链接中提到的问题略有不同，但它帮助我研究python regex模块，然而，对我有用的是你的答案：。使用这个解决方案，我现在已经创建了一个新的工作正则表达式，虽然它不是我想要的方式，但比我以前的解决方案要好得多，正则表达式是：

pattern=r'（？：^（？=.*Invoice Number）|\G（？！^））.\s*[a-Za-z0-9-。\uz:\s]+\n（\d{5，}）

如果您非常需要它，请使用PyPi正则表达式模块，请参阅。否则，将需要的部分作为一个整体捕获，然后仅对提取的块应用另一个更简单的正则表达式搜索。考虑到10行约束，匹配行之间是否会有间隙？假设3行匹配，接下来5行-不匹配，然后7行-匹配？@RomanPerekhrest-不，不会有间隙，表格将有一个标题（发票编号），然后有多行，每行都有一个发票编号。因此，我认为如果标题后的第一行在匹配中返回，那么其余的行也将匹配。很好，您可以将其作为答案发布，顺便说一句。@Wiktor Stribiżew-感谢您的评论，虽然您提供的链接中提到的问题略有不同，但它帮助我研究python regex模块，然而，对我有用的是你的答案：。使用这个解决方案，我现在已经创建了一个新的工作正则表达式，虽然它不是我想要的方式，但比我以前的解决方案要好得多，正则表达式是：

pattern=r'（？：^（？=.*Invoice Number）|\G（？！^））.\s*[a-Za-z0-9-。\uz:\s]+\n（\d{5，}）

问题不是在一行的开头匹配数字，但是如何在重复组中捕获字符串的一部分。请还原复制状态。@WiktorStribiżew我不同意您的评论。根据我的经验，单个PDF（例如由Jasper reports之类的东西生成）只有一个标题。因此，OP关于重复正则表达式的问题是指对发票行应用相同的模式，而不是重复匹配整个页眉+行模式。@Tim Biegeleisen感谢您的帮助，但在尝试此操作时，只读取页眉而不读取下面的行。@manojk我对此感到惊讶，另外，while循环应该迭代文件中的每一行。也许您正在使用的脚本还有其他问题。@Tim Biegeleisen-是的，先生，很有可能，到目前为止，我使用regex软件包制定了一个有效的解决方案。问题不是在行首匹配数字，而是如何在重复组中捕获字符串的一部分。请还原复制状态。@WiktorStribiżew我不同意您的评论。根据我的经验，单个PDF（例如由Jasper reports之类的东西生成）只有一个标题。因此，OP关于重复正则表达式的问题是指对发票行应用相同的模式，而不是重复匹配整个页眉+行模式。@Tim Biegeleisen感谢您的帮助，但在尝试此操作时，只读取页眉而不读取下面的行。@manojk我对此感到惊讶，另外，while循环应该迭代文件中的每一行。也许你正在使用的脚本还有其他问题。@Tim Biegeleisen-是的，先生，很有可能，到目前为止，我使用正则表达式包制定了一个有效的解决方案。

import regex
pattern = r'(?:^(?=.*Invoice Number)|\G(?!^)).*?\s*[A-Za-z0-9-._:\s]+\n(\d{5,})'##Capture digit only having length more than 5
print(regex.findall(pattern,text,regex.M))