从特定模式之前的字符串中提取

Question

我正在尝试删减德语维基百科文章，仅输出传记文本数据（删减所有文学作品、书单等）。因此，文本的示例可能如下所示：

一些相关文本 == Title1 == 更多相关文本 ===Title2=== 和 更相关的文字==一些关于人的文献==不需要的文字 ==作者的书==更多不需要的文字...

问题是在 ==[包括文学或书籍一词的文本]== 模式之前输出文本。应该是这样的：

一些相关文本 == Title1 == 更多相关文本 ===Title2=== 和 更相关的文字

我正在使用 Python 3，我尝试了一些像这样（以及更多）的正则表达式：

seperator = re.compile(r'={2,3}\s?.*literature.*\s?={2,3}')
m = seperator.search(text)
print (text[:m.start()])

但是，不幸的是，这只会输出文本直到第一个模式 == Title1 ==:

一些相关的文字

我怎样才能让它敏感地捕捉到第一个包含“文学”或“书籍”的模式？

我希望我能准确地描述问题。提前感谢您的帮助，如果之前有人问过这个问题，我很抱歉，我在任何地方都找不到解决方案。

顺便说一句，它无法区分 Title1 和 Title2，因为它们有时过于不同且不清楚，所以我试图区分清楚地标记传记文本结束的标题，例如文学或书籍。

Answer 1

这是一种纯 Python 方式。这会拆分 '=' 上的文本并检查每个拆分中的单词。如果找到匹配项，我们将打破循环并加入之前的所有内容：

s = 'some relevant text == Title1 == more relevant text ===Title2=== and more relevant text == some literature on person == unwanted text ==books by the author== more unwanted text'

lst = []
for x in s.split('='):
    if 'literature' in x:
        break
    else:
        lst.append(x)

print('='.join(lst).strip('='))
# some relevant text == Title1 == more relevant text ===Title2=== and more relevant text

Answer 2

如果我正确理解您的要求，以下正则表达式应该适合您：

.+?(?=={2,3}[^=]*literature)

Regex demo.

Python 3 示例：

import re

regex = r".+?(?=={2,3}[^=]*literature)"
test_str = "some relevant text == Title1 == more relevant text ===Title2=== and more relevant text == some literature on person == unwanted text ==books by the author== more unwanted text..."

matches = re.finditer(regex, test_str, re.MULTILINE)
for matchNum, match in enumerate(matches, start=1):
    print ("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group()))

输出：

在 0-87 找到匹配 1：一些相关文本 == Title1 == more 相关文字 ===Title2=== 和更多相关文字

Python demo.