如何忽略正则表达式中不需要的模式

Question

我有以下 python 代码

from io import BytesIO

import pdfplumber, requests

test_case = {

    'https://www1.hkexnews.hk/listedco/listconews/sehk/2020/0514/2020051400555.pdf': 59,

    'https://www1.hkexnews.hk/listedco/listconews/gem/2020/0529/2020052902118.pdf': 55,

    'https://www1.hkexnews.hk/listedco/listconews/sehk/2020/0618/2020061800366.pdf': 47,

    'https://www1.hkexnews.hk/listedco/listconews/gem/2020/0630/2020063002674.pdf': 30,

}

for url, page in test_case.items():

    rq = requests.get(url)

    pdf = pdfplumber.load(BytesIO(rq.content))

    txt = pdf.pages[page].extract_text()

    txt = re.sub("([^\x00-\x7F])+", "", txt)  # no chinese

    pattern = r'.*\n.*?(?P<auditor>[A-Z].+?\n?)(?:LLP\s*)?\s*((PRC.*?|Chinese.*?)?[Cc]ertified [Pp]ublic|[Cc]hartered) [Aa]ccountants'

    try:

        auditor = re.search(pattern, txt, flags=re.MULTILINE).group('auditor').strip()

        print(repr(auditor))

    except AttributeError:

        print(txt)

        print('============')

        print(url)

它产生以下结果

'ShineWing'

'ShineWing'

'Hong Kong Standards on Auditing (HKSAs) issued by the Hong Kong Institute of'

'Hong Kong Financial Reporting Standards issued by the Hong Kong Institute of'

期望的结果是：

'ShineWing'

'ShineWing'

'Ernst & Young'

'Elite Partners CPA Limited'

我试过：

pattern = r'.*\n.*?(?P<auditor>[A-Z].+?\n?)$(?!Institute)(?:LLP\s*)?\s*((PRC.*?|Chinese.*?)?[Cc]ertified [Pp]ublic|[Cc]hartered) [Aa]ccountants' 此模式捕获后两种情况，但不捕获前 2 种情况。

pattern = r'.*\n.*?(?P<auditor>^(?!Hong|Kong)[A-Z].+?\n?)(?:LLP\s*)?\s*((PRC.*?|Chinese.*?)?[Cc]ertified [Pp]ublic|[Cc]hartered) [Aa]ccountants' 这会产生所需的结果，但^(?!Hong|Kong)存在潜在风险，因为它可能会在未来忽略其他所需的结果，因此它不是一个好的候选者。

相反，$(?!Institute)更通用和合适，但我不知道为什么它在前两种情况下无法匹配。如果有一种方法可以忽略包含的匹配项，那就太好了issued by the Hong Kong Institute of

任何建议将不胜感激。谢谢。

Answer 1

pattern&nbsp;=&nbsp;r'\n.*?(?P<auditor>(?!.*Institute)[A-Z].+?)(?:LLP\s*)?\s*((PRC.*?|Chinese.*?)?[Cc]ertified&nbsp;[Pp]ublic|[Cc]hartered)&nbsp;[Aa]ccountants'这行得通。