Python Regex 获得唯一的多行匹配

Question

由于背景很难解释，我正在编写伪代码， 我只对 Python-Regex-Pattern 感兴趣，希望你们能帮助我

我有以下输入文本（很多行以\n 作为行分隔符压缩为'.'）：

.
.
1 Order 
order1 stuff
order1 stuff
etc
ShippingMethod: Truck
.
.
2 Order
order2 stuff
order2 stuff
etc
ShippingMethod: Truck
.
.
Order Summary
.
.

我只想为每个订单单独匹配“订单”和“卡车”之间的文本，然后我会在程序中进一步迭代结果。

我的正则表达式：（为了更好的可读性，我将其拆分为“开始、内容、结束”）。

pattern = \d\s*Order + [.|\s|\S]* + Truck

当我执行这个匹配时，我得到一个结果，从 1 Order 开始并在 second Truck 停止：

1 Order 
order1 stuff
order1 stuff
etc
ShippingMethod: Truck
.
.
2 Order
order2 stuff
order2 stuff
etc
ShippingMethod: Truck

我想要（在这种情况下）正好两个只包含一个订单内容的匹配项：

1 Order 
order1 stuff
order1 stuff
etc
ShippingMethod: Truck

2 Order
order2 stuff
order2 stuff
etc
ShippingMethod: Truck

我希望很清楚我在寻找什么。非常感谢任何帮助。
在此先感谢，保持安全，保持健康！

您可能会提出的建议：

• 由于输入文本是 PDF 文本提取器的结果，因此您必须在行首和单词之间假设不同数量的空格。但是 \n 是可以信任的。基本上是写 \n 写 \s*\n
• 我不能使用“订单”作为模式的结尾部分，因为在最后一个订单之后，接下来就是一个摘要。
• “ShippingMethod”在我的语言中是不同的，这就是我在此示例中使用“Truck”的原因。我会设法重写。

Answer 1

不使用re.DOTALL，如果Truck不存在，防止过度匹配，你可以使用：

^\d+\s*Order\b.*(?:\n(?!\d+\s* Order\b|.* Truck$).*)*\n.* Truck$

模式匹配：

• ^ 字符串开始
• \d+\s*Order\b.* 匹配数字后跟 Order 和该行的其余部分
• (?:非捕获组
  • \n(?!\d+\s* Order\b|.* Truck$) 匹配换行符并断言该行不以数字和Order 开头并断言该行不以Truck 结尾
  • .*如果断言为真，则匹配整行
• )*关闭非捕获组以匹配所有行
• \n.* Truck$ 匹配换行符和以Truck 结尾的行的其余部分

Regex demo | Python demo

import re
 
regex = r"^\d+\s*Order\b.*(?:\n(?!\d+\s* Order\b|.* Truck$).*)*\n.* Truck$"
 
s = ("\n\n"
    "1 Order \n"
    "order1 stuff\n"
    "order1 stuff\n"
    "etc\n"
    "ShippingMethod: Truck\n\n\n"
    "2 Order\n"
    "order2 stuff\n"
    "order2 stuff\n"
    "etc\n"
    "ShippingMethod: Truck\n\n\n"
    "Order Summary\n\n")
 
print(re.findall(regex, s, re.MULTILINE))

输出

['1 Order \norder1 stuff\norder1 stuff\netc\nShippingMethod: Truck', '2 Order\norder2 stuff\norder2 stuff\netc\nShippingMethod: Truck']

Answer 2

解决方案看似简单——使用非贪婪运算符?。

首先，字符类正则表达式[] 匹配其中的任何字符，因此要匹配a 和b，正则表达式是[ab] 而不是[a|b]。所以代码的 content 部分应该是 [.\s\S]。
另外，\s 和 \S 分别匹配所有空格和非空格，所以句点 (.) 是这里无关紧要。

所以最终的内容部分应该是这样的：[\s\S]*

现在是实际解决方案：

在+、* 和? 等任何正常频率运算符之后的贪婪? 运算符告诉正则表达式匹配尽可能少的元素。使用*，您使用的是默认的零或更多 贪心版本，告诉正则表达式尽可能多地匹配（最终匹配您想要的第一个Truck！ )

所以我们在最后添加一个非贪心运算符，所以最终的正则表达式如下所示：

\d\s*Order[\s\S]*?Truck

---

奖励建议：

字符类[\s\S] 是告诉正则表达式匹配每个字符的一种巧妙方法（因为每个字符要么是空格，要么不是空格）。但事实证明，有一种方法可以通过使用re.DOTALL 修饰符来提高效率。它按照它所说的去做 - 它告诉正则表达式 .（点）应该匹配所有字符，包括换行符。

如果这是您使用的代码：

re.findall(r'\d\s*Order[\s\S]*?Truck', input_text)

这是最好的代码（包括问题的解决方案）：

re.findall(r'\d\s*Order.*?Truck', input_text, re.DOTALL)

如您所见，.*? 现在将匹配从Order 到Truck 的所有内容（包括换行符）。