在java中使用正则表达式，解析文本部分

Question

我有一个文本文件作为 java 字符串。正文的结构如下。我需要解析以名称“子句”开头的每个部分。此示例中包含三个子句。因此，在解析之后，我应该得到三个字符串，每个字符串都以一个子句开头并一直持续到它遇到下一个子句，但不包含它。以下正则表达式给了我类似的东西，但它有多个缺陷。首先，它包含下一节中的“条款”一词。它也省略了最后一个子句。最糟糕的是，在每次迭代中它都会重复所有子句：

for(int i = 0; i < clauseCount - 1; i++) {
    String p2 = "(Clause(.*)Clause)";
    Pattern pattern2 = Pattern.compile(p2, Pattern.DOTALL);
    Matcher matcher2 = pattern2.matcher(extractedText);
    if(matcher2.find()){
         System.out.println("Matched: " + matcher2.group());
    }
}

这是包含三个子句的示例文本。但是有多个文件，每个文件中的子句数量不同。能否请你帮忙？非常感谢您的反馈。

标题放在这里

这里有一些文字：

第 1 条如下：

这里还有一些文字。后面的文字可能会在此处的文字中一次或多次包含名称clause。

Clause 2. 更多文字（后面的文字也可能包含一次或多次的名称clause。）：

(1) 这里有一些文字；

(2) 这里有一些文字；

(3) 这里有一些文字；

第 3 条。 此处为新条款的文本。下面的文字可能会或可能不会在其中包含一次或多次的名称clause。：

(1) 这里有一些文字；

(2) 这里有一些文字；

(3) 这里还有一些文字；

(4) 这里有一些文字；

(5) 和数字文本可以继续;

(6) 并可能指代其他数字，例如：(3) 和 (4)。

通知于（此处的某个日期）

（这是签名）

Answer 1

从一个子句的开头匹配到下一个子句的开头，同时不消耗下一个子句的开头的一种方法是使用前瞻。考虑匹配以下模式：

Clause\s*[0-9]+\.((?!Clause\s+[0-9]+\.).)*

这表示要匹配 Clause 和一个数字后跟任何内容，一次一个字符，只要紧随其后的是 not Clause 后跟一个数字和一个点。

String input = "Clause 1. Stuff is a Clause here\nClause 2. More Clause stuff is here.";
String pattern = "Clause\\s*[0-9]+\\.((?!Clause\\s+[0-9]+\\.).)*";
Pattern r = Pattern.compile(pattern, Pattern.DOTALL);
Matcher m = r.matcher(input);

while (m.find()) {
    System.out.println("Found value: " + m.group(0));
}

输出：

Found value: Clause 1. Stuff is a Clause here
Found value: Clause 2. More Clause stuff is here.

演示在这里：

Rextester