大文档由小文档组成,这些小文档按模式分隔,如“1 of 1435 DOCUMENTS”。我想把它分解成 1435 个小文档。
re_1 = r"\d{1,4} of \d{1,4} DOCUMENTS.+?"
re_2 = r"\d{1,4} of \d{1,4} DOCUMENTS.+"
re_1 只给我“1435 份文件中的一份”等。 re_2 给了我整个文档。
是否有办法将 re.findall 与正确的正则表达式一起使用? 或者我必须做一个 re.split(对于这种情况来说这恰好是最简单的)或者循环遍历每一行并检查模式?谢谢!
1 of 1435 DOCUMENTS
blabla (multiple lines)
2 of 1435 DOCUMENTS
blabla(multiple lines)
3 of 1435 DOCUMENTS
blabla(multiple lines)
4 of 1435 DOCUMENTS
blabla(multiple lines)
5 of 1435 DOCUMENTS
....
请您参考如下方法:
对于 Python 3.7 之前的早期版本,您可以使用 re.findall 和
r'(?sm)^\d{1,4} of \d{1,4} DOCUMENTS.*?(?=^\d{1,4} of \d{1,4} DOCUMENTS|\Z)'
参见 regex demo
详情
(?sm)-re.M和re.S选项^- 行首\d{1,4} of\d{1,4} DOCUMENTS- 1 to 4 digits, space,of, space, 1 to 4 digits,空格和DOCUMENTS子串.*?- 任何 0 个或多个字符,尽可能少直到最接近(?=^\d{1,4} of\d{1,4} DOCUMENTS|\Z)-^\d{1,4} of\d{ 1,4} DOCUMENTS模式或(|)字符串结尾(\Z)。
参见 Python demo :
import re
s = "TEXT_HERE"
print(re.findall(r'^\d{1,4} of \d{1,4} DOCUMENTS.*?(?=\d{1,4} of \d{1,4} DOCUMENTS|\Z)', s, re.M | re.S))
# => ['1 of 1435 DOCUMENTS\nblabla (multiple lines)\n\n', '2 of 1435 DOCUMENTS\nblabla(multiple lines)\n', '3 of 1435 DOCUMENTS\nblabla(multiple lines)\n', '4 of 1435 DOCUMENTS\nblabla(multiple lines)\n\n', '5 of 1435 DOCUMENTS\n....']
在 Python 3.7 中,re.split 可以使用您可以使用的零长度匹配进行拆分
r'(?m)(?!\A)(?=^\d{1,4} of \d{1,4} DOCUMENTS)'
参见 regex demo .
详情
(?m)-re.M选项打开(?!\A)- 不在字符串的开头 -(?=^\d{1,4} of\d{1,4} DOCUMENTS)- 紧靠右边,必须有行首,1 到 4 位数字,空格,of,空格,1到4位数字,空格和DOCUMENTS子串
用法:
re.split(r'(?!\A)(?=^\d{1,4} of \d{1,4} DOCUMENTS)', text, flags=re.M)
