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])
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。