如何在Python中重复regex的特定部分？

Question

我正在用Python做一个信息检索任务，我试图从PDF文件中提取发票号，为此我将它们转换成字符串（保持原始格式），一些PDF文件有多个表格式的发票号。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Regex，它帮助我从这些表中提取发票号，为了从多行中捕获发票号，我重复了Regex的最后一部分，例如在上面的场景中，我将重复Regex的最后一部分（.+\n(\d{5,})）3次，这工作正常，但问题是，我不知道有多少这样的行可以在PDF文件例如10，20。在这种情况下，我需要重复regex的这一部分，等于行数，我正在寻找一个有效的解决方案，在regex中我可以提到一个数字（等于行总数），或者将regex与一些要重复的数字相乘。你知道吗

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，但这在我的案例中不起作用。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（我现在通过重复regex的一部分3次得到）：

1654339087
1655214567
1609833445

感谢您的帮助！！你知道吗

Answer 1

您可以尝试从第二行开始逐行读取文件：

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()

Answer 2

正如@Wiktor Stribiżew在另一个SO postCapture repeated groups in python regex上所建议的那样 下面的解决方案对我使用regexhttps://pypi.org/project/regex/有效：

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))