使用正则表达式提取数据答案

【问题标题】：Data Extraction using Regex使用正则表达式提取数据
【发布时间】：2015-06-10 20:41:42
【问题描述】：

我在文本文件“file.txt”中有数据

食谱和菜单
专家建议
成分
假期和活动
社区
视频
夏季烹饪
扁豆糙米汤
美食 1991 年 1 月
3.5/4
评论 (83)
90%
再来一次
有些汤确实会激发一种类似于爱的奉献精神，这就是其中之一。在寒冷的冬天，当美食编辑思考什么汤的问题
厨师
评论 (83)
产量：制作约 14 杯，供应 6 至 8 杯
成分
5杯鸡汤
1 1/2 杯扁豆，捡起来冲洗
1杯糙米
一个 32 到 35 盎司的西红柿罐头，沥干，保留果汁，切碎
3 根胡萝卜，纵向减半并横向切成 1/4 英寸的小块
1 个洋葱，切碎
1根芹菜，切碎
3瓣大蒜，切碎
1/2 茶匙碎干罗勒
1/2 茶匙碎干牛至
1/4 茶匙碎干百里香
1片月桂叶
1/2 杯切碎的新鲜欧芹叶
2 汤匙苹果醋，或品尝
准备
在一个沉重的水壶中，将肉汤、3 杯水、扁豆、米饭、西红柿和保留的汁液混合，

我想提取Ingredients和Preparation之间的数据。
我为此编写了以下正则表达式：-

(?s).*?Ingredients(.*?)Preparation.*

但它是提取
file.txt 和 Preparation 第 3 行的斜体 Ingredients 之间的数据，而不是 Ingredients 和准备
我应该对我的正则表达式代码进行哪些更改来解决此问题？
提前致谢！

【问题讨论】：

您使用的是什么正则表达式引擎？

标签： regex data-extraction

【解决方案1】：

您可以使用惰性量词 .*? 和第二个 .*：

(?s).*\bIngredients\b(.*?)\bPreparation\b

见demo

或者你可以使用tempered greedy token然后你不需要第一个.*：

(?s)\bIngredients\b(?:(?!\b(?:Ingredients|Preparation)\b).)*\bPreparation\b

见demo

【讨论】：

您能告诉我我的回答有什么问题吗？你切换到的那个不检查单词边界，可以匹配Preparations，它可以在Preparation之前，你会得到一个错误的子匹配。

【解决方案2】：

试着让你的第一个 .* 变得贪婪。它会吃掉所有Ingredients，直到Preparation之前的最后一个：

(?s).*Ingredients(.*?)Preparation.*

演示：https://regex101.com/r/mQ5eK5/1

【讨论】：

【解决方案3】：

(?s).*?[*]{2}Ingredients[*]{2}(.*?)[*]{2}Preparation[*]{2}.*

[*]{2}告诉正则表达式你想要列表中的一个字符（这里是单个*）两次{2}。

我更喜欢使用字符类而不是转义，我发现它们比这更具可读性：

(?s).*?\*{2}Ingredients\*{2}(.*?)\*{2}Preparation\*{2}.*

根据您使用的语言，您可能还需要转义反斜杠。

【讨论】：

【解决方案4】：

您可以使用前瞻来检查每一行是否不是Ingredients。通过这种方式，您可以将测试数量限制在行首（而不是测试每个字符）：

(?m)^Ingredients\R((?:(?!Ingredients$).*\R)+?)Preparation$

demo

图案细节：

(?m)             # switch on the multiline mode (^ and $ match the limit of the line)
^Ingredients\R   # "Ingredients" at the start of the line followed by a new line
(   # capture group 1
    (?:          # open a non-capturing group
        (?!Ingredients$) # negative lookahead to check that the line is not "Ingredients"
        .*\R             # the line
    )+? # repeat until "Preparation"
)
Preparation$

注意：由于您没有说明您使用的是什么正则表达式引擎，因此\R 可能不受支持。在这种情况下，请将其替换为 \r?\n。

【讨论】：