如何修改Python代码实现列表项提取与上下文格式化？

核心需求拆解 #

从混合了列表和无关文本的输入中，完成以下操作：

• 识别独立的列表块（支持有序/无序列表）
• 以每个列表的第一个项作为上下文，关联该列表的所有子项
• 过滤掉所有非列表的无关内容
• 输出结构化的数组，格式为 [{"context": "列表顶部项", "items": ["项1", "项2"...]}, ...]

解决方案代码 #

import re

def extract_list_with_context(input_str):
    # 匹配有序/无序列表块的正则：捕获列表起始项，以及后续所有同层级列表项
    # 支持 - /* + 开头的无序列表，和数字. 开头的有序列表
    list_pattern = re.compile(
        r'^([-*+]|\d+\.)\s+(.*?)(?:\n(?:[-*+]|\d+\.)\s+(.*?))*',
        re.MULTILINE | re.DOTALL
    )
    
    result = []
    # 遍历所有匹配到的列表块
    for match in list_pattern.finditer(input_str):
        # 提取列表的第一个项作为上下文
        context = match.group(2).strip()
        # 收集所有列表项：先加上下文，再处理后续捕获的项
        items = [context]
        # 后续的项在group(3)及之后，用groups()获取所有非None的捕获组
        for item in match.groups()[2:]:
            if item:
                items.append(item.strip())
        # 添加到结果数组
        result.append({"context": context, "items": items})
    
    return result

# 测试示例
test_input = """
这是无关文本，要被过滤掉。
- 水果列表
- 苹果
- 香蕉
- 橙子

1. 编程语言排行
2. Python
3. Java
4. JavaScript

* 日常任务
* 买菜
* 打扫卫生
* 整理文件
"""

output = extract_list_with_context(test_input)
print(output)

代码说明 #

• 正则匹配逻辑：用多行模式匹配每个独立的列表块，捕获列表起始标记（无序列表的 -/*+ 或有序列表的数字点）和对应的内容，同时捕获后续同层级的所有列表项。
• 上下文关联：每个列表块的第一个项直接作为该列表的context，后续项归入items数组。
• 无关内容过滤：正则只匹配列表块，自然忽略所有非列表的文本内容。
• 兼容性：支持常见的无序列表和有序列表格式，处理换行和缩进（只要是同层级的列表项都会被捕获）。

测试输出 #

运行代码后，会得到符合要求的结构化数组：

[
    {"context": "水果列表", "items": ["水果列表", "苹果", "香蕉", "橙子"]},
    {"context": "编程语言排行", "items": ["编程语言排行", "Python", "Java", "JavaScript"]},
    {"context": "日常任务", "items": ["日常任务", "买菜", "打扫卫生", "整理文件"]}
]

内容的提问来源于stack exchange，提问作者hopeful1412