Question

我需要从文本文件（嵌入在较大文件中的字母的开头和结尾）中提取两个表达式（开头和结尾）之间的文本。我面临的问题是，字母的开头和结尾都有多种潜在的表达方式。

我有一个表达式列表，有可能作为开始/结束表达式。我需要从较大的文本（包括开始和结束表达式）中提取这些表达式的任何组合之间的所有文本，并将其写入新文件。

sample_text = """Some random text 
asdasd
asdasd
asdasd
**Dear my friend,
this is the text I want to extract.
Sincerly,
David**
some other random text
adasdsasd"""

到目前为止，我的代码：

letter_begin = ["dear", "to our", "estimated", ...]
letter_end = ["sincerly", "yours", "best regards", ...]

with open('path/to/input') as infile, open('path/to/output', 'w') as outfile:
    copy = False
    for line in infile:
        if line.strip() == "dear": #shortcomming: only 1 Expression possible here
            copy = True
        elif line.strip() == "sincerly": #shortcomming: only 1 Expression possible here
            copy = False
        elif copy:
            outfile.write(line)

上面的示例包括“ Dear”作为letter_begin表达式和“ Sincerly”作为letter_end表达式。我需要一个灵活的代码，该代码能够捕获上述列表中的任何开头和结尾字母表达式（这些表达式的任何可能组合；例如，“亲爱的问候”或“估计的...”真诚的”）

Answer 1

我们可以尝试在{all}和多行模式下以以下模式使用re.findall：

Dear\s+.*?Sincerely,\n\S+

这将捕获并包括单词Dear到Sincerely之前的所有内容，然后是Sincerely下一行之后的所有内容。这是一个代码示例：

output = re.findall(r"Dear\s+.*?Sincerely,\n\S+", sample_text, re.MULTILINE|re.DOTALL)
print(output)

编辑：

如果您想匹配多个可能的问候语和结束语，那么我们可以使用一种交替方式：

letter_begin = ["dear", "to our", "estimated"]
openings = '|'.join(letter_begin)
print(openings)
letter_end = ["sincerely", "yours", "best regards"]
closings = '|'.join(letter_end)
regex = r"(?:" + openings + r")\s+.*?" + r"(?:" + closings + r"),\n\S+"
output = re.findall(regex, sample_text, re.MULTILINE|re.DOTALL|re.IGNORECASE)
print(output)

['Dear my friend,\nthis is the text I want to extract.\nSincerely,\nDavid**']

在表达式的任意组合之间提取文本（列表）

1 个答案: