如何用正则表达式拆分带唯一标题的法律文档小节？

问题说明 #

需拆分结构固定的法律文档语料库：

• 文档开头为ARGUMENT标题（部分文档无后续小节，需完整保留该部分）
• 后续小节以罗马数字I至X加.作为标题开头
• 文档结尾为CONCLUSION部分

示例文档：

string = """ARGUMENT
Summary of argument

I. TITLE OF SUBSECTION 1
Text of subsection 1

II. TITLE OF SUBSECTION 2
Text of subsection 2

CONCLUSION
Text of conclusion"""

原使用的拆分正则：

import re
pattern = r'(\nARGUMENT|\nI\.|\nII\.|\nIII\.|\nIV\.|\nV\.|\nVI\.|\nVII\.|\nVIII\.|\nIX\.|\nX\.|\nCONCLUSION.*)'
result = re.split(pattern, string)

实际输出（标题与内容被拆分，不符合预期）：

['ARGUMENT\nSummary of argument\n', '\nI.', ' TITLE OF SUBSECTION 1\nText of subsection 1\n', '\nII.', ' TITLE OF SUBSECTION 2\nText of subsection 2\n', '\nCONCLUSION', '\nText of conclusion\n']

期望输出（标题与对应内容合并为列表项）：

['ARGUMENT  Summary of argument', 'I. TITLE OF SUBSECTION 1  Text of subsection 1', 'II. TITLE OF SUBSECTION 2  Text of subsection 2', 'CONCLUSION  Text of conclusion']

解决方案 #

1. 替换思路：用re.findall替代re.split #

re.split的核心是切割字符串，而此处更适合用匹配提取的逻辑，直接捕获每个章节的标题+内容整体，避免拆分。

2. 优化罗马数字匹配 #

无需逐个枚举I到X，用正则直接匹配符合规则的罗马数字标题：

# 匹配I-X的罗马数字（带点）
roman_title = r'(?:[IVX]+\.)'

3. 完整代码实现 #

import re

string = """ARGUMENT
Summary of argument

I. TITLE OF SUBSECTION 1
Text of subsection 1

II. TITLE OF SUBSECTION 2
Text of subsection 2

CONCLUSION
Text of conclusion"""

# 整合后的最终正则
pattern = r'(ARGUMENT|%s|CONCLUSION)(?:\n|\s)+(.+?)(?=\n(?:ARGUMENT|%s|CONCLUSION)|\Z)' % (roman_title, roman_title)
# 使用re.DOTALL让.匹配换行符
matches = re.findall(pattern, string, re.DOTALL)

# 格式化结果：合并标题和内容，去除多余换行与空格
result = [
    f"{title.strip()}  {content.strip().replace('\n', ' ')}" 
    for title, content in matches
]

print(result)

输出结果：

['ARGUMENT  Summary of argument', 'I.  TITLE OF SUBSECTION 1  Text of subsection 1', 'II.  TITLE OF SUBSECTION 2  Text of subsection 2', 'CONCLUSION  Text of conclusion']

正则逻辑说明 #

• (ARGUMENT|(?:[IVX]+\.)|CONCLUSION)：捕获章节标题（ARGUMENT、罗马数字章节、CONCLUSION），非捕获组(?:)用于罗马数字的规则匹配，不单独输出
• (?:\n|\s)+：匹配标题后的换行或空白字符，不纳入最终结果
• (.+?)：非贪婪模式匹配章节内容，避免过度匹配到下一个章节
• (?=\n(?:ARGUMENT|(?:[IVX]+\.)|CONCLUSION)|\Z)：正向预查，匹配下一个章节标题或字符串结尾的位置，确保内容仅包含当前章节的内容

内容的提问来源于stack exchange，提问作者thenightmarechild92