使用Python使用Regex仅从字符串中提取特定值

如何解决使用Python使用Regex仅从字符串中提取特定值

我正尝试使用正则表达式从字符串中提取特定文本值，但是由于在关键字开头之间没有空格，因此需要从中提取值以获取错误。 从头开始提取关键词的值。

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：['日期：2020-09-06 20:43:00 确认编号：3320000266 收件人发票的原始编号：IN05200125634 发行日期： 06.09。 2015TAX INVOICE（由2017年GST法案第31（1）号发布）POLO INDUSTRIES LIMITED CIN：K253648B85PLC015063 GSTIN：3451256132uuy668803E1Z9PAN：BBB7653279K .....''

我正在从上述输出中捕获确认号，发行日期和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'

将相同的脚本与另一个具有表格格式数据的PDF文件一起使用时，

解决方法

您需要更改正则表达式模式以匹配数据格式。关键字后跟空格和:，您必须将它们匹配。日期格式不是您的模式所用，CIN的格式也不是。

在致电.group(1)之前，请检查匹配是否成功。在下面的代码中，当不匹配时，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])

DEMO