PyPDF2和DataFrame中带有正数和负数的字符串中带括号的正则表达式

Question

我目前正在使用一个脚本，该脚本通过 PyPDF2 将 PDF 拉入字符串，然后使用正则表达式在该 PDF 中搜索括号中的费用金额。然后在 pd.DataFrame 中汇总和处理这些费用，并将结果输出到 CSV 文件。

在退款之前一切都很好。基本上所有费用都包含在括号内，我会使用 re 来搜索 x 费用，例如。

adminFee = re.findall('Administration Fees\s*\((.*?)\)', data) 

然后将其添加到 totalFees 列表中

totalFees = adminFee + govFee + commFee....ect. 

然后将列表转换为 DataFrame 以进行操作。

最近，PDF 的格式更改为包含更多费用字符串。这有时也可能构成退款。我用 re 搜索的字符串看起来像这样

""Excess Expenses (Refund from client) (150.00)""

或

""Excess Expenses (Refund from client) 200.00""

我的第一个问题是括号，我尝试了以下无济于事

excessExpenses = re.findall('Excess expenses \(Refund From client\)\s*(\d*\,*\d*\.+\d+\))',data)

但它返回一个空列表 [] ？我已经尝试了几个re，但似乎都没有工作。

我的下一个问题是，以前这些都是所有费用（负金额），但现在包括正值和退款。这与 DataFrame 计算相混淆。我应该如何最好地解决这个问题。我可以回到括号中的先前费用，并通过以下方式将它们设为负数：

adminFee = re.findall('Administration Fees\s*(\(?.*?\)?)',data)
adminFee = ''.join(adminFee) 
adminFee = adminFee.replace(',','') #for float manipulation in dataframe
adminFee = adminFee.replace('(','-') # replace ( to make -
adminFee = adminFee.replace(')','') #remove last braket
adminFee = [adminFee] #make list again

然后拉取正数，这将允许正确计算 DataFrame，减少费用并增加退款。

或者跟随另一个根更可取？

我知道这段代码可能是你见过的最不 Python 的代码，但它在过去一年中运行良好。

Answer 1

主要是拼写错误：“Refund”之前的左括号后缺少空格，“Expenses”中的“E”是小写的“e”，数字后面有多余的右括号“\)”。 这个应该可以工作：

'Excess Expenses\s*\(\s*Refund From client\)\s*(\d*\,*\d*\.+\d+)'

但这不是最好的解决方案。 你永远不会有超过一个点，所以不需要量词“+”。 “？”可以。 如果您要处理数百万个以上的问题，您可能想要处理多个逗号，顺便说一句，它不需要转义，所以用 '\d*\,*' 这会更好：'(?:\d *,)*'。 最后，要匹配负数，只需在开头添加一个可选的减号：'-?'。

把它放在一起你会得到：

'Excess Expenses\s*\(\s*Refund From client\)\s*(-?/(?(?:\d*,)*\d*\.?\d+/)?)'

希望这会有所帮助。

编辑：我添加了可选括号（与您的评论相同。）“（？：”表示非捕获组，即可以通过“*”量化而不被捕获为单独的结果组。