我最近决定跳入 Python 池的最深处并开始将我的一些 R 代码转换为 Python 并且我被困在对我来说非常重要的事情上。在我的工作中，我花费了大量时间来解析文本数据，众所周知，文本数据非常非结构化。因此，我开始依赖正则表达式的环视功能，而 R 的环视功能非常强大。例如，如果我正在解析一个 PDF，当我对文件进行 OCR 时，它可能会在字母之间引入一些空格，我会得到我想要的值，如下所示：
oAcctNum <- str_extract(textBlock[indexVal], "(?<=ORIG\\s?:\\s?/\\s?)[A-Z0-9]+")
在 Python 中，这是不可能的，因为使用?使后视成为可变宽度表达式而不是固定宽度。这个功能对我来说非常重要，它阻止了我想要使用 Python，但我不想放弃这种语言，我想知道 Pythonista 解决这个问题的方法。我是否必须在提取文本之前预处理字符串？像这样的东西：
oAcctNum = re.sub(r"(?<=\b\w)\s(?=\w\b)", "")
oAcctNum = re.search(r"(?<=ORIG:/)([A-Z0-9])", textBlock[indexVal]).group(1)
有没有更有效的方法来做到这一点？因为虽然这个例子是微不足道的，但这个问题以非常复杂的方式出现在我处理的数据中，我不想对我分析的每一行文本进行这种预处理。
最后，如果这不是问这个问题的正确地方，我深表歉意；我不知道还有什么地方可以张贴。提前致谢。