使用正则表达式从字符串中提取文本

Question

我有一根很大的绳子。这个字符串中有许多段落。每个段落都以标题开始，并遵循特定模式。

示例：

== Title1 == // Paragraph starts ............. ............. // Some texts ............. End of Paragraph ===Title2 === // Paragraph starts ............. ............. // Some texts .............

标题样式为：

1.) New Paragraph title starts with an equal to ( = ) and can be followed by any number of =.

2.) After = , there can be a white space ( not necessary though ) and it is followed by text.

3.) After text completion, again there can be a white space ( not necessary ), followed by again any number of equal to's ( = ).

4.) Now the paragraph starts. I have to extract the text until it encounters a similar pattern.

有人能帮我怎么用regex吗？短暂性脑缺血发作

Answer 1

你可以用

re.findall(r'(?m)^=+[^\S\r\n]*(.*?)[^\S\r\n]*=+\s*(.*(?:\r?\n(?!=+.*?=).*)*)', s)

参见regex demo

细节

• (?m)^-行首
• =+-1个或更多=字符
• [^\S\r\n]*-除CR和LF之外的零个或多个空格字符
• (.*?)-第1组：除换行符以外的任何零个或多个字符，尽可能少
• [^\S\r\n]*-除CR和LF之外的零个或多个空格字符
• =+-1个或更多=字符
• \s*-0+空格
• (.*(?:\r?\n(?!==+.*?=).*)*)-第2组：
  • .*-尽可能多的零个或多个字符，而不是换行符
  • (?:\r?\n(?!=+.*?=).*)*-零个或多个
    • \r?\n(?!=+.*?=)-一个可选的CR和LF，后面不跟1+=s，然后是除换行符以外的任何字符，尽可能少，然后是1+=s
    • .*-尽可能多的零个或多个字符，而不是换行符

Python demo：

import re

rx = r"(?m)^=+[^\S\r\n]*(.*?)[^\S\r\n]*=+\s*(.*(?:\r?\n(?!=+.*?=).*)*)"
s = "== Title1 ==\n..........................\n.............\nEnd of Paragraph\n===Title2 ===\n.............\n.............\n............."
print(re.findall(rx, s))

输出：

[('Title1', '..........................\n.............\nEnd of Paragraph'), ('Title2', '.............\n.............\n.............')]