现在是实际的解决方案：

Question

由于背景解释起来很复杂，我正在编写伪代码，我只对 Python-Regex-Pattern 感兴趣，希望你们能帮帮我

我有以下输入文本（很多行以 \n 作为行分隔符浓缩为“.”）：

.
.
1 Order 
order1 stuff
order1 stuff
etc
ShippingMethod: Truck
.
.
2 Order
order2 stuff
order2 stuff
etc
ShippingMethod: Truck
.
.
Order Summary
.
.

我只想匹配“订单”和“卡车”之间的文本对于每个订单，然后我将在程序中进一步迭代结果。

我的正则表达式：（为了更好的可读性，我将其拆分为“开始、内容、结束”）。

pattern = \d\s*Order + [.|\s|\S]* + Truck

当我执行这场比赛时，我得到一个结果，从 1 Order 开始并在 second Truck 处停止：

1 Order 
order1 stuff
order1 stuff
etc
ShippingMethod: Truck
.
.
2 Order
order2 stuff
order2 stuff
etc
ShippingMethod: Truck

我想要（在这种情况下）正好两个匹配，其中只包含一个订单的内容：

1 Order 
order1 stuff
order1 stuff
etc
ShippingMethod: Truck

2 Order
order2 stuff
order2 stuff
etc
ShippingMethod: Truck

我希望很清楚我在寻找什么。非常感谢任何帮助。
提前感谢，保持安全，保持健康！

您可能建议的事项：

您必须在行首和单词之间假设不同数量的空格，因为输入文本是 PDF 文本提取器的结果。但是 \n 是可以信任的。基本上是写 \n 写 \s*\n
我不能使用“订单”作为模式的结尾部分，因为在最后一个订单之后，下一个是摘要。
“ShippingMethod”在我的语言中有所不同，这就是我在此示例中使用“Truck”的原因。我会设法改写。

Answer 1

解决方案看似简单 - 使用非贪婪运算符 ?。

首先，字符类正则表达式 [] 匹配其中的任何字符，因此要匹配 a 和 b，正则表达式是 [ab] 而不是 {{1} }.所以代码的 content 部分应该是 [a|b]。
另外，[.\s\S] 和 \s 分别匹配所有空格和非空格，所以句号 (\S) 在这里无关紧要。

所以最终的内容部分应该是这样的：.

现在是实际的解决方案：

在任何正常频率运算符（如 [\s\S]*、? 和 +）之后的贪婪 * 运算符告诉正则表达式匹配 尽可能少的元素可能。使用 ?，您将使用 零个或多个 的默认贪婪版本，告诉正则表达式匹配尽可能多的（最终匹配第一个 {{1} } 你想要！）

所以我们在最后添加了一个非贪婪运算符，所以最终的正则表达式如下所示：

额外建议：

字符类 Truck 是告诉正则表达式匹配每个字符的巧妙方法（因为每个字符要么是空格要么不是空格）。但事实证明，有一种方法可以通过使用 \d\s*Order[\s\S]*?Truck 修饰符来提高效率。它做它所说的 - 它告诉正则表达式 [\s\S]（DOT）应该匹配所有字符，包括换行符。

如果这是您使用的代码：

re.DOTALL

这是最好的代码（包括问题的解决方案）：

如您所见，re.findall(r'\d\s*Order[\s\S]*?Truck', input_text) 现在将匹配从 re.findall(r'\d\s*Order.*?Truck', input_text, re.DOTALL) 到 .*? 的所有内容（包括换行符）。

Answer 2

不使用 re.DOTALL，如果 Truck 不存在，则防止过度匹配，您可以使用：

^\d+\s*Order\b.*(?:\n(?!\d+\s* Order\b|.* Truck$).*)*\n.* Truck$

模式匹配：

^ 字符串开头
\d+\s*Order\b.* 匹配数字后跟 Order 和行的其余部分
(?: 非捕获组
- \n(?!\d+\s* Order\b|.* Truck$) 匹配换行符并断言该行不以数字和 Order 开头并断言该行不以 Truck 结尾
- .* 如果断言为真，则匹配整行
)* 关闭非捕获组以匹配所有行
\n.* Truck$ 匹配换行符和以 Truck 结尾的行的其余部分

Regex demo | Python demo

import re
 
regex = r"^\d+\s*Order\b.*(?:\n(?!\d+\s* Order\b|.* Truck$).*)*\n.* Truck$"
 
s = ("\n\n"
    "1 Order \n"
    "order1 stuff\n"
    "order1 stuff\n"
    "etc\n"
    "ShippingMethod: Truck\n\n\n"
    "2 Order\n"
    "order2 stuff\n"
    "order2 stuff\n"
    "etc\n"
    "ShippingMethod: Truck\n\n\n"
    "Order Summary\n\n")
 
print(re.findall(regex, s, re.MULTILINE))

输出

['1 Order \norder1 stuff\norder1 stuff\netc\nShippingMethod: Truck', '2 Order\norder2 stuff\norder2 stuff\netc\nShippingMethod: Truck']

Python 正则表达式获得唯一的多行匹配

2 个答案:

现在是实际的解决方案：

额外建议：