尝试使用正则表达式解析包含三行头部的日志文件，这些头部标识多行文本数据

Question

我正在尝试解析的日志文件（也就是把文本拆分成一个个独立的数据部分）格式如下：

===================
DateTimeStamp - ShortSummaryOfEntry
===================

Line 1 of text
Line 2 of text 
...
Line last of text

===================
DateTimeStamp - ShortSummaryOfEntry
===================

Line 1 of text
Line 2 of text 
...
Line last of text

===================
DateTimeStamp - ShortSummaryOfEntry
===================

Line 1 of text
Line 2 of text 
...
Line last of text

....

我尝试了很多不同的模式，但都没有成功：

(={19}\n(.*)\n={19}\n)(\n.*)+(?=={19})

最后的这个“前瞻”似乎被前面的“+”给覆盖了。第0组显示的是整个文件的内容；第1组和第2组是正确的；而第3组（多行文本数据）是空的。

我想要的结果是创建包含两个字段的记录：

Record1Field1:
DateTimeStamp - ShortSummaryOfEntry
Record1Field2:
Line 1 of text
Line 2 of text 
...
Line last of text

[etc]

接下来，这些数据将被导入到一个数据库中（具体的应用还没有确定）。

Answer 1

看起来下面的内容就足够了。

^(.*\n)=+\s+((?:\d+ +.*\n)+)

在一行等号之前的那一行会被保存到捕获组1，而接下来以数字开头的行组成的字符串会被保存到捕获组2。似乎没有必要确保捕获组1保存的那一行前面有等号。

需要设置 m 标志，这样 ^ 和 $ 就会匹配每一行的开始和结束，而不是整个字符串的开始和结束。

示例

这个表达式可以分解成以下几个部分。

^                   # match the beginning of the line    
(.*\n)              # match a line and save to capture group 1
=+                  # match '=' one or more times
\s+                 # match one or more whitespaces
(                   # begin capture group 2
  (?:\d+ +.*\n)     # match one or more digits followed by one or more spaces,
                    # followed by the rest of the line
  +                 # execute the preceding non-capture group 1 or more times
)                   # end capture group 2

Answer 2

你在第3组得到那个结果是因为你重复了一个捕获组，这样会只捕获最后一次匹配的结果。

你可以使用两个捕获组，在第二组中捕获所有不以19个等号开头的行，这可以通过负向前瞻来实现：

为了匹配时启用多行模式，可以使用 re.M

^={19}\n(?!={19}$)(.+)\n={19}((?:\n(?!={19}$).*)*)

正则表达式演示

Answer 3

你可以调整正则表达式中的分组，这样可以减少捕获组的数量，并且可以使用非贪婪模式的修饰符（regex101）：

import re

text = """\
===================
DateTimeStamp - ShortSummaryOfEntry
===================

1 Line 1 of text
2 Line 2 of text
3 Line last of text

===================
DateTimeStamp - ShortSummaryOfEntry
===================

4 Line 1 of text
5 Line 2 of text
6 Line last of text

===================
DateTimeStamp - ShortSummaryOfEntry
===================

7 Line 1 of text
8 Line 2 of text
9 Line last of text"""


pat = r"={19}\n(.+?)\n={19}\s*(.+?)\s*(?=={19}|\Z)"

for title, body in re.findall(pat, text, flags=re.S):
    print(title)
    print(body)
    print("-" * 80)

输出结果：

DateTimeStamp - ShortSummaryOfEntry
1 Line 1 of text
2 Line 2 of text
3 Line last of text
--------------------------------------------------------------------------------
DateTimeStamp - ShortSummaryOfEntry
4 Line 1 of text
5 Line 2 of text
6 Line last of text
--------------------------------------------------------------------------------
DateTimeStamp - ShortSummaryOfEntry
7 Line 1 of text
8 Line 2 of text
9 Line last of text
--------------------------------------------------------------------------------