Question

我正在尝试剪切德语维基百科的文章，仅输出传记文本数据（剪切掉所有文献，书目等）。因此，“文本”示例如下所示：

一些相关文本== Title1 ==其他相关文本=== Title2 ===和更相关的文字==有关人的一些文献==不需要的文字 ==作者的书==更多不需要的文字...

问题是在== [包含文字文学或书籍的文字] ==模式之前输出文字。在这里是：

一些相关文本== Title1 ==其他相关文本=== Title2 ===和更相关的文字

我正在使用Python 3，并且尝试了一些正则表达式，例如：（

seperator = re.compile(r'={2,3}\s?.*literature.*\s?={2,3}')
m = seperator.search(text)
print (text[:m.start()])

但是，不幸的是，这只会输出文本，直到第一个模式== Title1 ==：

一些相关的文字

我如何敏感地捕获第一个内部具有“文学”或“书籍”的图案？

我希望我可以准确地描述问题。在此先感谢您的帮助，如果在之前提出过此问题，对不起，我在任何地方都找不到解决方案。

顺便说一句，它无法区分标题1和标题2有时彼此之间太不同且不清楚，所以我试图区分清楚地标明了传记文学（例如文学或书籍）结尾的标题。

Answer 1

这是纯Python方式。这会拆分'='上的文本，并在每个拆分中检查单词。如果找到匹配项，我们将打破循环并加入所有循环：

s = 'some relevant text == Title1 == more relevant text ===Title2=== and more relevant text == some literature on person == unwanted text ==books by the author== more unwanted text'

lst = []
for x in s.split('='):
    if 'literature' in x:
        break
    else:
        lst.append(x)

print('='.join(lst).strip('='))
# some relevant text == Title1 == more relevant text ===Title2=== and more relevant text

Answer 2

如果我正确理解您的要求，则以下正则表达式将为您工作：

.+?(?=={2,3}[^=]*literature)

Regex demo。

Python 3示例：

import re

regex = r".+?(?=={2,3}[^=]*literature)"
test_str = "some relevant text == Title1 == more relevant text ===Title2=== and more relevant text == some literature on person == unwanted text ==books by the author== more unwanted text..."

matches = re.finditer(regex, test_str, re.MULTILINE)
for matchNum, match in enumerate(matches, start=1):
    print ("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group()))

输出：

匹配1在0-87被发现：一些相关的文字== Title1 ==更多相关文字===标题2 ===和更多相关文字

Python demo。

从特定模式之前的字符串中提取

2 个答案: