正则表达式：选择第一个最接近的完全匹配直到结束答案

【问题标题】：Regex: Select the First Closest Exact Match Until the End正则表达式：选择第一个最接近的完全匹配直到结束
【发布时间】：2020-02-18 17:59:01
【问题描述】：

目标：从电子邮件线程中提取第一封电子邮件

描述：基于对电子邮件的人工检查，我意识到电子邮件线程中的下一封电子邮件总是以一组 From、Sent、To 和 Subject 开头

测试输入：

Hello World from: the other side of the first email

from: this
sent: at
to: that
subject: what

second email

from: this
sent: at
to: that
subject: what


third email

from: this
date: at
to: that
subject: what

fourth email

预期输出：

Hello World from: the other side of the first email

尝试失败：

当第一封电子邮件中有 from: 时，休息后

(.*)((from:[\s\S]+?)(sent:[\s\S]+?)(to:[\s\S]+?)(subject:[\s\S]+))

From、Sent、To 和 Subject 组重复时，跟随失败

([\s\S]+)((from:(?:(?!from:)[\s\S])+?sent:(?:(?!sent:)[\s\S])+?to:(?:(?!to:)[\s\S])+?subject:(?:(?!subject:)[\s\S])+))

第二次尝试works with PCRE(PHP) 时选择了一个不贪婪的选项（标志）。但是，此选项在 python 中不可用，我无法找到使其工作的方法。

Regex101 demo

【问题讨论】：

很抱歉，我在这里忽略了重点。
您是否只是想从显示的输入中提取Hello World from: the other side of the first email？
是的，没错。假设它是整个邮件链中的第一封电子邮件，需要根据建议的查找发件人、发送人、收件人和主题组的方法进行提取。
这对你有用吗？ regex101.com/r/dw05sx/6
您可以使用捕获组^(.*)\r?\n\s*\r?\nfrom:.*\r?\nsent:.*\r?\nto:.*\r?\nsubject:.* 见regex101.com/r/fLbKb4/1

标签： python regex string-matching

【解决方案1】：

要仅获得第一个匹配项，您可以使用捕获组并完全匹配应遵循的内容。

^(.*)\r?\n\s*\r?\nfrom:.*\r?\nsent:.*\r?\nto:.*\r?\nsubject:

^ 字符串开始
(.*) 匹配除换行符以外的任何字符 0+ 次
\r?\n\s* 使用 \s* 匹配换行符后跟 0+ 次空格字符
\r?\nfrom:.* 匹配以from: 开头的下一行
\r?\nsent:.* 匹配以sent: 开头的下一行
\r?\nto:.* 匹配以to: 开头的下一行
\r?\nsubject:.* 匹配以subject: 开头的下一行

请注意，在演示链接中，右上角的全局标志 g 未启用。

Regex demo | Python demo

如果第一行可以跨越多行，并且可以注意跨越以from:、sent:、to: 或subject: 开头的任何行，您也可以使用负前瞻。

^(.*(?:\r?\n(?!(?:from|sent|to|subject):).*)*)\r?\n\s*\r?\nfrom:.*\r?\nsent:.*\r?\nto:.*\r?\nsubject:

Regex demo

如果from、sent、to和subject之间有空格，可以匹配0+（*）空白字符

^(.*(?:\r?\n(?!(?:from|sent|to|subject):).*)*)\r?\s*\r?\sfrom:.*\r?\s*sent:.*\r?\s*to:.*\r?\s*subject:

Regex demo

【讨论】：

如果电子邮件文本超过一行怎么办？你不应该使用 re.DOTALL 吗？
@RonaldAaronson 好点，您可以使用re.DOTALL，但为了限制不必要的回溯，您也可以使用负前瞻。我已将其添加为第二个模式。
尽管对于问题中的示例输入文本来说这是一个可接受的答案，但只要在 from 或任何这些组词之后输入新行，它就会失败。我尝试使用单行标志（re.DOTALL），但它破坏了正则表达式
@AfsanAbdulaliGujarati 在这种情况下，一种选择是匹配 regex101.com/r/1LsrcT/1 之后的 0+ 个空格字符

【解决方案2】：

也许我理解错了，但你为什么不这样做呢：

re.compile(r"^.*from:\s(\w+@\w+\.\w+)")

这将在字符串开头的第一个“from:”之后找到“email-form”（组 1）中的第一个字符串。

【讨论】：

这可能会起作用，但这里的要求是仅在有一组 from、send、to 和 subject 时才专门匹配
有没有可能不是这种情况？在我看来，这些数据是高度结构化的。您希望存在哪些其他字符串来强化您的正则表达式？

【解决方案3】：

import re

text = """Hello World from: the other side of the first email

from: this
sent: at
to: that
subject: what

second email

from: this
sent: at
to: that
subject: what


third email

from: this
date: at
to: that
subject: what

fourth email"""

m = re.match(r'.*?(?=^from:[^\n]*\nsent:[^\n]*\nto:[^\n]*\nsubject:[^\n]*$)', text, re.MULTILINE | re.DOTALL)
print(m.group(0))

打印：

Hello World from: the other side of the first email

【讨论】：

【解决方案4】：

通常，每封电子邮件都有一个 Message-id: 标头，用于唯一标识该邮件。分组在一个线程中的消息构成一个消息树，基于标头 In-response-to: 标头，将孩子（响应）与父母联系起来。

您的假设可用于链接缺少 Message-id: 标头或缺少 In-Response-to: 标头的消息，但这种情况很少见，难以关联且容易出错。符合 RFC-822 标准的消息可以由不同的人创作，而不是代表他们发送的人（字段From:、Sender:、Resent-from:、Resent-Sender: 等）建议彻底阅读RFC-2822 ，以便了解如何管理或存档 Internet 邮件。

Message-id: 和 In-Response-To: 标头在 Internet 消息格式的 RFC-822 定义中，并在这些 RFC 的后续更新中得到保留。这是对消息和答案进行分组的正确方法。它也包含在 RFC-2822 中完成的更新中，因此在对话线程中链接消息时，这些标头的使用听起来应该是强制性的。它也用于 NNTP（新闻）消息，几乎所有邮件阅读器都使用它们。

【讨论】：