正则表达式从段落中分别提取标题和文本答案

【问题标题】：Regex extract header and text separately from a paragraph正则表达式从段落中分别提取标题和文本
【发布时间】：2020-10-15 13:03:54
【问题描述】：

我想将标题和相应的文本分开，用分隔符 colon 与段落分隔。

示例段落， “事故：狐狸跑了过来。一架飞机撞到了头部。结果和结论：我头疼，发烧”

我期望的输出：[('INCIDENTS', 'Quick fox 跑了过来。一架飞机撞到了头部'), ('RESULT AND CONCLUSION', '我头疼，发烧') ]

我正在使用 python 并尝试使用 re.findall(r'([A-Z]+:)(.*?)\.', <paragraph>)。但我没有得到预期的输出。

感谢任何帮助.....

【问题讨论】：

re.findall(r'\b([A-Z]+(?:\s+[A-Z]+)*):\s*(.*?)(?=\s*\b([A-Z]+(?:\s+[A-Z]+)*):|$)', text)，见regex101.com/r/0rmC38/1

【解决方案1】：

你可以使用

re.findall(r'\b([A-Z]+(?:\s+[A-Z]+)*):\s*(.*?)(?=\s*\b(?:[A-Z]+(?:\s+[A-Z]+)*):|$)', text)

详情

\b - 字边界
([A-Z]+(?:\s+[A-Z]+)*) - 第 1 组：一个大写单词，然后是零个或多个以空格分隔的大写单词
: - 冒号
\s* - 0 个或多个空格
(.*?) - 第 2 组：尽可能少的零个或多个字符
(?=\s*\b(?:[A-Z]+(?:\s+[A-Z]+)*):|$) - 最多 0 个或多个空格、一个单词边界、一个大写单词，然后是 0 个或多个以空格分隔的大写单词或字符串结尾。

【讨论】：

感谢 Wiktor ..... 按预期工作，但只有一个变化。必须将第三个捕获组设为非捕获组。 \b([A-Z]+(?:\s+[A-Z]+)*):\s*(.*?)(?=\s*\b(?:[A-Z]+(?:\s+[A-Z) ]+)*):|$).
如果事情变成这种模式，还有一件事，段落：“曾经有一个美丽的花园。介绍：有一个美丽的村庄。结论：故事结束” 预期输出: [('FreeText', 'There was a beautiful garden once'), ('INTRODUCTION', 'There was a beautiful village'), ('CONCLUSION': 'End of the story ')] 在这种情况下，您对 Wiktor 有何建议？
@Vighnesh.PVicky 您无法匹配 FreeText，因为它在输入文本中丢失。这不可能匹配不存在的文本。
FreeText 是我用来表示没有任何标题的文本的键。正如您在上面的示例中看到的那样 “曾经有一个美丽的花园。” 没有任何标题，所以我只是添加了一个标题 FreeText 来表示。
@Vighnesh.PVicky 好的，然后尝试r'(\b[A-Z]+(?:\s+[A-Z]+)*:|\A)\s*(.*?)(?=\s*\b(?:[A-Z]+(?:\s+[A-Z]+)*):|$)' 并确保手动添加INTRODUCTION 作为第一个元组第一项。见demo。