在python中使用多个正则表达式提取特定文本？

Question

我在 python 3 中使用正则表达式时遇到问题，所以如果有人可以帮助我，我会很高兴。我有一个像下面这样的文本文件：

Header A
text text
text text
Header B
text text
text text
Header C
text text
here is the end

我想做的是在标题之间列出一个文本列表，但包括标题本身。 我正在使用这个正则表达式：

 re.findall(r'(?=(Header.*?Header|Header.*?end))',data, re.DOTALL)

结果在这里

['Header A\ntext text\n text text\n Header', 'Header B\ntext text\n text text\n Header', 'Header C\n text text here is the end']

问题是我在列表中每个项目的末尾得到下一个标题。如您所见，当我们找到下一个标头时，每个标头都会结束，但最后一个标头不会以特定方式结束

有没有办法使用正则表达式获取每个标题的列表（不是元组），包括它自己的文本作为子字符串？

Answer 1

Header [^\n]*[\s\S]*?(?=Header|$)

试试这个。查看演示。

https://regex101.com/r/iS6jF6/21

import re
p = re.compile(r'Header [^\n]*[\s\S]*?(?=Header|$)')
test_str = "Header A\ntext text\ntext text\nHeader B\ntext text\ntext text\nHeader C\ntext text\nhere is the end"

re.findall(p, test_str)

Answer 2

怎么样：

re.findall(r'(?=(Header.*?)(?=Header|end))',data, re.DOTALL)

Answer 3

您实际上需要使用积极的前瞻断言。

>>> s = '''Header A
text text
text text
Header B
text text
text text
Header C
text text
here is the end'''
>>> re.findall(r'Header.*?(?=Header)|Header.*?end',s, re.DOTALL)
['Header A\ntext text\ntext text\n', 'Header B\ntext text\ntext text\n', 'Header C\ntext text\nhere is the end']

在正向前瞻中包含\n，以免在每个项目的最后获得\n 字符。

>>> re.findall(r'Header.*?(?=\nHeader)|Header.*?end',s, re.DOTALL)
['Header A\ntext text\ntext text', 'Header B\ntext text\ntext text', 'Header C\ntext text\nhere is the end']

或

根据字符串Header之前存在的换行符将您的输入拆分。

>>> re.split(r'\n(?=Header\b)', s)
['Header A\ntext text\ntext text', 'Header B\ntext text\ntext text', 'Header C\ntext text\nhere is the end']