正则匹配梵语诗文：如何提取完整段落及指定编号诗文？

一、带换行文本提取完整诗节 #

原正则.* चैव यत् .*仅匹配单行内容，若要提取以॥结尾的完整诗节，可使用如下正则：

^(.* चैव यत् .*\n.*॥.*)$

• 逻辑说明：
  • ^定位诗节起始位置
  • .* चैव यत् .*匹配包含目标短语的第一行内容
  • \n匹配换行符
  • .*॥.*匹配带编号的第二行（以॥结尾）
  • $定位诗节结束位置

在支持多行匹配的工具（如Python开启re.MULTILINE模式）中执行，即可提取完整诗节：

अभिसन्धाय तु फलं दम्भार्थमपि चैव यत् ।
इज्यते भरतश्रेष्ठ तं यज्ञं विद्धि राजसम् ॥ 17.12॥

सत्कारमानपूजार्थं तपो दम्भेन चैव यत् ।
क्रियते तदिह प्रोक्तं राजसं चलमध्रुवम् ॥ 17.18॥

二、无换行文本提取指定编号诗节 #

针对无换行的纯文本，要提取编号为17.12和17.18的诗节，可直接以目标编号为锚点匹配内容：

正则表达式 #

(.*?॥ 17\.12॥)|(.*?॥ 17\.18॥)

• 逻辑说明：
  • .*?采用非贪婪匹配，避免跨诗节抓取无关内容
  • ॥ 17\.12॥和॥ 17\.18॥作为精准锚点，定位目标诗节的结尾
  • 通过分组同时匹配两个目标编号对应的内容

提取结果 #

将匹配到的有效内容拼接后，可得到：

अभिसन्धाय तु फलं दम्भार्थमपि चैव यत् । इज्यते भरतश्रेष्ठ तं यज्ञं विद्धि राजसम् ॥ 17.12॥ सत्कारमानपूजार्थं तपो दम्भेन चैव यत् । क्रियते तदिह प्रोक्तं राजसं चलमध्रुवम् ॥ 17.18॥

Python代码示例 #

import re

text = "दृष्ट्वा तु पाण्डवानीकं व्यूढं दुर्योधनस्तदा । आचार्यमुपसङ्गम्य राजा वचनमब्रवीत् ॥ १-२॥ पश्यैतां पाण्डुपुत्राणामाचार्य महतीं चमूम् । व्यूढां द्रुपदपुत्रेण तव शिष्येण धीमता ॥ १-३॥ अन्ये च बहवः शूरा मदर्थे त्यक्तजीविताः । नानाशस्त्रप्रहरणाः सर्वे युद्धविशारदाः ॥ १-९॥ अपर्याप्तं तदस्माकं बलं भीष्माभिरक्षितम् । पर्याप्तं त्विदमेतेषां बलं भीमाभिरक्षितम् ॥ १-१०॥ अभिसन्धाय तु फलं दम्भार्थमपि चैव यत् । इज्यते भरतश्रेष्ठ तं यज्ञं विद्धि राजसम् ॥ 17.12॥ अयनेषु च सर्वेषु यथाभागमवस्थिताः । भीष्ममेवाभिरक्षन्तु भवन्तः सर्व एव हि ॥ १-११॥ सत्कारमानपूजार्थं तपो दम्भेन चैव यत् । क्रियते तदिह प्रोक्तं राजसं चलमध्रुवम् ॥ 17.18॥"
pattern = re.compile(r'(.*?॥ 17\.12॥)|(.*?॥ 17\.18॥)')
matches = pattern.findall(text)
result = ' '.join([''.join(match) for match in matches if any(match)])
print(result)

内容的提问来源于stack exchange，提问作者shantanuo