临床试验领域的Python正则表达式

Question

我正在尝试将临床试验的文本分割成一个字段列表。下面是一个例子doc:https://obazuretest.blob.core.windows.net/stackoverflowquestion/NCT00000113.txt。所需输出的形式为：[[Date:<date>],[URL:<url>],[Org Study ID:<id>],...,[Keywords:<keywords>]]

我使用re.split(r"\n\n[^\s]", text)在以空格以外的字符开头的段落处进行拆分（以避免在字段中缩进的段落处进行拆分）。这很好，除了结果字段（第一个字段除外）都缺少第一个字符。不幸的是，不可能将string.partition与regex一起使用。你知道吗

我可以通过使用re.findall(r"\n\n[^\s]", text)查找第一个字符来添加回第一个字符，但这需要对整个文本进行第二次迭代（看起来很笨拙）。你知道吗

我认为将re.findall与一些匹配所有字段的regex一起使用是有意义的，但是我被卡住了。re.findall(r"[^\s].+\n\n")只匹配单行字段。你知道吗

我对正则表达式不是很有经验，所以如果这个问题的答案在别处很容易找到，我很抱歉。谢谢你的帮助！你知道吗

Answer 1

你要向前看。您还可能希望它在新行数/新行字符数方面更加灵活。你可以试试这个：

import re
r = re.compile(r"""(\r\n|\r|\n)+(?=\S)""")
l = r.split(text)

虽然这似乎会在列表中插入\r\n个字符。。。嗯

Answer 2

您可以使用正向先行而不是否定的字符类：

re.split(r"\n\n(?=\S)", text)

现在，如果后跟一个非空白字符，它将只匹配2个换行符。你知道吗

另外，如果可能有2行或更多的换行符，最好使用{2,}限制量词：

re.split(r"\n{2,}(?=\S)", text)

参见Python demo和regex demo。你知道吗