使用正则表达式提取带有重复结尾词的字符串的一部分

Question

我正在尝试使用python中的re模块提取一些原始字符串。要提取的部分的结尾由重复的单词标识（重复多次）。当前的工作总是捕获重复单词的最后一个匹配项。如何修改此行为？

已从pdf中提取了一个文本文件。整个PDF都存储为一个字符串。字符串的一般格式如下：

*“ ***注释的开头：字母数字单词和字符的集合EndofsectionTopic A：单词字符串Endofsection” *

要捕获的预期字符串是：“字母数字单词和字符的集合”

在这种情况下尝试使用的解决方案是： re.compile（r“ * {3}注释的开头：（。+）\ sEndofsection”）

此尝试倾向于匹配整个字符串，而不仅仅是匹配预期的“字母数字单词和字符的集合”。

一种可行的方法是使用Endofsection进行拆分，然后仅从第一部分中提取字符串-这行得通，但是我希望使用re.compile找到更优雅的解决方案。

Answer 1

正则表达式中的两个问题，

• 您需要转义*，因为它是\*的元字符
• 第二，您正在使用(.+)，它是一个贪婪的量词，将尝试尽可能地匹配，但是由于您需要最短的匹配，因此只需将其更改为(.+?)

解决了这两个问题，为您提供了正确的预期匹配。

Regex Demo

Python代码，

import re

s = "***Start of notes: Collection of alphanumeric words and characters EndofsectionTopic A: string of words Endofsection"
m = re.search(r'\*{3}Start of notes:(.+?)\sEndofsection', s)
if m:
 print(m.group(1))

打印

 Collection of alphanumeric words and characters