基于正则表达式规则拆分大文件为指定邮件块的方法求助

使用带有正向预查的正则表达式结合re.findall，可以精准匹配符合规则的邮件块：

import re

# 读取大文件内容
with open("your_email_file.txt", "r") as f:
    email_data = f.read()

# 匹配符合规则的邮件块
email_blocks = re.findall(
    r'Subject:.*?(?=\n\s*Subject:.*?\n\s*From:|$)',
    email_data,
    re.DOTALL
)

# 可选：清理每个块末尾的多余换行
email_blocks = [block.rstrip('\n') for block in email_blocks]

正则表达式解释 #

• Subject:：匹配每个邮件块的起始标记
• .*?：非贪婪模式匹配任意字符（包括换行，因为启用了re.DOTALL），避免过度匹配后续内容
• (?=\n\s*Subject:.*?\n\s*From:|$)：正向预查定义块的结束条件：
  1. \n\s*Subject:.*?\n\s*From:：匹配下一个Subject:标记，且该标记之后（允许任意空白和内容）出现From:，代表新邮件块的开始
  2. $：匹配文件结尾，处理最后一个邮件块

为什么之前的方法失效？ #

1. 第一种split方法：re.split(r'\n(?=Subject:)', email_data)会把所有Subject:都当作分隔点，不管后面是否有From:，导致把属于同一个块的Subject: How are you.错误分割成单独块。
2. 第二种findall方法：re.findall(r'Subject:.*?(?=Subject:|\nFrom:|$)', email_data, re.DOTALL)错误地把From:当作块的结束标记，而From:是邮件块内的合法内容，导致匹配提前终止，只能获取部分内容。

测试结果 #

用你提供的示例数据测试，会得到3个符合规则的块：

1. 第一个块包含Subject: Hello到Subject: How are you.的全部内容
2. 第二个块包含Subject: Howdy到Lorem ipsum...的内容
3. 第三个块包含Subject: Re: Howdy到From: Eminem的内容

内容的提问来源于stack exchange，提问作者misaligar