Python正则表达式提取含起始数字的数字间文本的实现问题

需求与示例 #

需要提取文本中数字分隔的段落，规则如下：

• 每个结果包含起始数字，但不包含下一段的起始数字
• 最后一段无后续数字，需完整提取

输入文本 #

1964 ORDINARY shares
EXECUTORS OF JOANNA C RICHARDSON
100 ORDINARY shares 
TG MARTIN
C MARTIN
7500 ORDINARY shares 
ARCO LIMITED

期望输出 #

[
'1964 ORDINARY shares \nEXECUTORS OF JOANNA C RICHARDSON',
'100 ORDINARY shares \nTG MARTIN\nC MARTIN\n',
'7500 ORDINARY shares\nARCO LIMITED'
]

用户尝试的错误方案 #

用户使用以下正则代码：

regex = r'\d(.+?)\d'
re.findall(regex, a, re.DOTALL)

得到错误结果：

['9',
 ' ORDINARY shares\nEXECUTORS OF JOANNA C RICHARDSON\n',
 '0 ORDINARY shares\nTG MARTIN\nC MARTIN\n',
 '0']

错误原因 #

1. \d仅匹配单个数字，无法识别多位数（比如1964会被拆成单个1和9），导致匹配逻辑完全混乱
2. 非贪婪匹配+?配合单个数字结尾，会把多位数拆分开，同时漏掉无后续数字的最后一段内容

正确解决方案 #

核心正则表达式 #

r'(\d+.*?)(?=\d+|$)'

代码实现 #

import re

input_text = """1964 ORDINARY shares
EXECUTORS OF JOANNA C RICHARDSON
100 ORDINARY shares 
TG MARTIN
C MARTIN
7500 ORDINARY shares 
ARCO LIMITED"""

# 编译正则，启用DOTALL让.匹配换行符
pattern = re.compile(r'(\d+.*?)(?=\d+|$)', re.DOTALL)
results = pattern.findall(input_text)

# 可选：微调结果以完全匹配期望格式（比如去掉第一个元素末尾的换行）
results[0] = results[0].rstrip('\n')
print(results)

运行结果 #

[
'1964 ORDINARY shares\nEXECUTORS OF JOANNA C RICHARDSON',
'100 ORDINARY shares \nTG MARTIN\nC MARTIN\n',
'7500 ORDINARY shares \nARCO LIMITED'
]

正则逻辑解释 #

• \d+：匹配连续多位数（即段落的起始数字）
• .*?：非贪婪匹配任意字符（包括换行，因为re.DOTALL），直到触发预查条件
• (?=\d+|$)：正向预查，匹配下一组连续数字的开头或文本结尾的位置，这个位置不会被纳入匹配结果，刚好实现“不含结束数字”的要求

内容的提问来源于stack exchange，提问作者user1753640