Question

我试图解析一个文档，其中包含标题和子标题列表，后跟文本正文。该文件看起来像这样：

HEADER ONE：标题一中的一些文字。

HEADER TWO：标题二中的一些文字。内有更多文字   标题二。


SUBHEADER INSIDE HEADER TWO：副标题二中的一些文字。

我试图提取所有标题（但不是子标题）的列表。从上面的示例中可以看出，所有标题都由全部大写字母组成，后跟冒号。子标题以数字，句点，两个空格开头，然后是所有大写字母，后跟冒号。

这就是我现在所拥有的，但它似乎并没有起作用。它拿起所有三个HEADER ONE，HEADER TWO和SUBHEADER INSIDE HEADER TWO作为标题。我希望它只需将HEADER ONE和HEADER TWO作为两个标题：

import re

file = open('inputFile', 'r')
document = file.read()

match = re.findall('(?<!\d\.  )([A-Z ]+:)', document)

print match

当前输出：[＆＃39; HEADER ONE：＆＃39;，＆＃39; HEADER TWO：＆＃39;，＆＃39;内侧头部的头部说明者：＆＃39;] 期望的输出：[＆＃39; HEADER ONE：＆＃39;，＆＃39; HEADER TWO：＆＃39;]

我试图使用负面的外观，但似乎我做错了什么。有谁知道我做错了什么以及如何获得所需的输出？

谢谢！

Answer 1

你在正则表达式中缺少锚点。尝试

^(?<!\d\. )([A-Z\s]+)

<强> Regex Demo

您应该使用空格（）代替\s

你也可以使用正向前瞻

^(?=[A-Z\s]+:)([A-Z\s]+)

<强> Regex Demo

<强> Ideone Demo

Answer 2

所有标题都由全部大写字母组成，后跟冒号。

所以，你需要一个非常基本的正则表达式：

(?m)^([A-Z\s]+):

但是，它甚至可以匹配那些仅以空格和冒号开头的行。使用更精确的版本：

(?m)^([A-Z]+(?:\s+[A-Z]+)*):

请参阅regex demo

<强>解释：

(?m) - 内联re.MULTILINE修饰符，使^与行的开头匹配
^ - 开始一行 - ([A-Z]+(?:\s+[A-Z]+)*) - 第1组（仅与此组匹配的值将显示在re.findall结果中）匹配
- [A-Z]+ - 一个或多个大写字母
- (?:\s+[A-Z]+)* - 零个或多个1+空格序列（\s+）后跟1 +大写字母[A-Z]+
: - 冒号

Python demo：

import re
p = re.compile(r'(?m)^([A-Z]+(?:\s+[A-Z]+)*):')
s = """HEADER ONE: Some text within header one.

HEADER TWO: Some text within header two. More lines of text within header two.
    1. SUBHEADER INSIDE HEADER TWO: Some text within subheader two.
"""
res = p.findall(s)
print(res)     # => ['HEADER ONE', 'HEADER TWO']

Python正则表达式负面反向行为

2 个答案: