Python中使用正则表达式拆分书籍章节的分组问题求助

问题根源 #

你使用的正则(\d\.){2,}包含捕获分组，Python的re.split函数会将捕获分组的每一次重复匹配结果都加入拆分后的列表，这就是出现3.2.4.、2.这类多余项的原因。

解决方案 #

下面提供两种可行的实现方式，均能得到你预期的3个章节块：

方案1：修复re.split的拆分逻辑

把捕获分组改成非捕获分组（(?:...)），同时结合正向先行断言标记拆分位置，避免丢失章节开头的标记：

import re

text = """3.2.4.2. porta pellentesque   
139. Nunc maximus maximus aliquet? 
 a) dignissim 
 b) volutpat  
 c) ullamcorper  

3.2.4.3. ligula at condimentum fringilla  
152. Sed dapibus nulla mi, id lobortis ligula bibendum vehicula?  
 a) vestibulum   
 b) pellentesque   
 c) tempus   
 d) rutrum   
 
153. Lorem ipsum dolor sit amet. Sed iaculis lacus pellentesque, non auctor eros lobortis?  
 a) suscipit   
 b) vulputate   
 c) vestibulum   
 d) congue   
 
3.2.5. elementum quis  """

# 用正向先行断言标记拆分位置，非捕获分组避免多余捕获
sections = re.split(r'(?=(?:\d\.){2,})', text)
# 过滤空项和纯空白内容
sections = [sec.strip() for sec in sections if sec.strip()]

# 输出结果
for idx, sec in enumerate(sections, 1):
    print(f"第{idx}个章节:\n{sec}\n")

方案2：用re.findall直接提取完整章节块

这种方式更直观，直接匹配包含章节标记的完整块，逻辑更清晰：

import re

text = """3.2.4.2. porta pellentesque   
139. Nunc maximus maximus aliquet? 
 a) dignissim 
 b) volutpat  
 c) ullamcorper  

3.2.4.3. ligula at condimentum fringilla  
152. Sed dapibus nulla mi, id lobortis ligula bibendum vehicula?  
 a) vestibulum   
 b) pellentesque   
 c) tempus   
 d) rutrum   
 
153. Lorem ipsum dolor sit amet. Sed iaculis lacus pellentesque, non auctor eros lobortis?  
 a) suscipit   
 b) vulputate   
 c) vestibulum   
 d) congue   
 
3.2.5. elementum quis  """

# 正则逻辑：匹配至少2组"数字+点"的章节标记，以及后续内容直到下一个章节标记或文本结尾
pattern = r'(?:\d\.){2,}.*?(?=(?:\d\.){2,}|\Z)'
# re.DOTALL让.匹配换行符，确保多行章节内容被完整捕获
sections = re.findall(pattern, text, re.DOTALL)
# 清理每个章节的前后空白
sections = [sec.strip() for sec in sections]

# 输出结果
for idx, sec in enumerate(sections, 1):
    print(f"第{idx}个章节:\n{sec}\n")

核心知识点 #

• 非捕获分组(?:...)：仅用于组合匹配规则，不会将分组内的内容单独捕获到结果中，彻底避免re.split产生多余项；
• re.DOTALL参数：让正则中的.匹配换行符，保证章节内的多行文本被完整提取；
• 正向先行断言(?=...)：标记拆分或结束的位置，但不会消耗对应字符，确保章节标记被保留在结果里。

内容的提问来源于stack exchange，提问作者Andy_Lima