Python 中的正则表达式

[MOONLIGHTT]

我想从论文中提取 ABSTRACT，因为论文的格式一般为 PDF，因此我先用了 pdfminer 包来对 pdf 进行 parser （这里先假设 parser 的结果是对的）。

之后我想从论文中提取 ABSTRACT 的内容，ABSTRACT 的一般格式为ABSTRACT\ncontent\n，也就是说我想提取 content 的内容（可以认为 content 内容由文本内容和换行符\n 组成）。于是我用了

ABSTRACT\n([^\n]+\n)+\n'

对内容进行提取，但这种方法不 work。

之后我注意到在 re 中需要对\转义，因此我把正则表达式修改为：

ABSTRACT\\n([^\\n]+\\n)+\\n'

修改之后，虽然可以在这里测试成功，但在代码里还是不 work。

PS:由于论文的结构性比较好，因此在抽取时完全可以不用 re 来完成任务，但由于我正则表达式知识不太够，因此想借着这个机会学习以下。

[676529483]

show me your code。
一般正则主要坑有几点
1、你用的是 re.match 还是 re.search
2、你用的 Py2 还是 3，主要区别是 unicode 和 str

[MOONLIGHTT]

感谢回复，我的 pattern 好像没有问题，问题在于我好像误用了 re.findall()和 re.search()，把 re.findall()换成 re.search()问题就解决了。我的问题似乎和[这个]( https://stackoverflow.com/questions/9000960/python-regular-expressions-re-search-vs-re-findall)哥们的问题是一样的。

[bumz]

[]里面只能放单字符，你这已经是匹配连续两个字符了

r'ABSTRACT\\n((?:(?!\\n).)+\\n)+\\n'

[Procumbens]

@bumz []中^开头表示取非 不表示字符

[okface]

请问大佬说的完全不用 re 来完成指的是什么方法完成，我也在做类似的事情。

[MOONLIGHTT]

@okface

手写字符串匹配，因为我抽取出的 abstract 后面有两个\n\n，所以这个也不难写。

不过貌似现在流行用 NLP 的技术来 pdf 中的数据，给老哥指条路：

https://github.com/allenai/science-parse