正则匹配提取完整交易行：处理公司名中的换行符问题

有一个不可控生成机制产生的字符串，公司名称中间存在\n换行符，需要实现两个目标：

1. 把公司名里的\n替换为空格
2. 提取每一条完整的交易记录行

原始字符串片段：

\nGBP*\nAA1234567 A random company name - I 03-Mar-2023 BUY 42.6400 42.6900 GBP 1,820.3016 1.0000 1,842.4400\nAA1234568 Another randon company name - H-M 03-Mar-2023 BUY 11.9880 845.6000 GBP 10,137.0528 1.0000 10,159.1700\nAA12345679 Third Party Utilies - Fund - Class\nAA-B Income\n03-Mar-2023 BUY 6.4120 836.9100 GBP 5,366.2669 1.0000 5,388.5200\nAA12345670 Company 4 - M 03-Mar-2023 BUY 205.6830 10.8500 GBP 2,231.6606 1.0000 2,253.7800\nAA2345678 Another random page up company - I 03-Mar-2023 BUY 66.3850 45.4400 GBP 3,016.5344 1.0000 3,038.6500\nASSET SCHEDULE\nPolicy Number     1234-56789\nAA2345679 Company 5 Utilities- M 03-Mar-2023 BUY 76.7370 13.7400 GBP 1,054.3664 1.0000 1,076.4900\nTotal

期望提取结果：

AA1234567 A random company name - I 03-Mar-2023 BUY 42.6400 42.6900 GBP 1,820.3016 1.0000 1,842.4400
AA1234568 Another random company name - H-M 03-Mar-2023 BUY 11.9880 845.6000 GBP 10,137.0528 1.0000 10,159.1700
AA12345679 Third Party Utilities - Fund - Class AA-B Income 03-Mar-2023 BUY 6.4120 836.9100 GBP 5,366.2669 1.0000 5,388.5200
AA12345670 Company 4 - M 03-Mar-2023 BUY 205.6830 10.8500 GBP 2,231.6606 1.0000 2,253.7800
AA2345678 Another random page up company - I 03-Mar-2023 BUY 66.3850 45.4400 GBP 3,016.5344 1.0000 3,038.6500
AA2345679 Company 5 Utilities- M 03-Mar-2023 BUY 76.7370 13.7400 GBP 1,054.3664 1.0000 1,076.4900

现有正则问题：
使用正则模式 (?<=\\n).*?([a-zA-Z]{3})-(\d{4}) 无法提取完整交易行，缺少数值部分且包含无关内容。

可以分两步处理，先修复跨行的公司名，再提取交易行：

步骤1：修复跨行的公司名（替换换行为空格） #

识别交易行内的换行（非交易行开头的换行），将其替换为空格：

• 交易行起始特征：以AA开头+一串数字（如AA1234567）
• 正则替换规则：
  查找：\n(?!AA\d+)
  替换为：

该正则含义：匹配所有\n，但排除掉紧跟AA+数字的换行（即交易行的开头换行），仅替换公司名内的换行。

步骤2：提取完整交易行 #

修复后的字符串中，交易行以AA+数字开头，直到下一个交易行或无关内容（如ASSET SCHEDULE、Total）结束。使用以下正则提取：

• 提取正则：AA\d+.*?(?=\nAA\d+|\nASSET SCHEDULE|\nTotal)
• 开启单行模式（s修饰符），确保.能匹配所有字符（含换行，不过步骤1已替换交易内换行，不加也可）

完整处理示例（Python代码） #

import re

original_str = "\nGBP*\nAA1234567 A random company name - I 03-Mar-2023 BUY 42.6400 42.6900 GBP 1,820.3016 1.0000 1,842.4400\nAA1234568 Another randon company name - H-M 03-Mar-2023 BUY 11.9880 845.6000 GBP 10,137.0528 1.0000 10,159.1700\nAA12345679 Third Party Utilies - Fund - Class\nAA-B Income\n03-Mar-2023 BUY 6.4120 836.9100 GBP 5,366.2669 1.0000 5,388.5200\nAA12345670 Company 4 - M 03-Mar-2023 BUY 205.6830 10.8500 GBP 2,231.6606 1.0000 2,253.7800\nAA2345678 Another random page up company - I 03-Mar-2023 BUY 66.3850 45.4400 GBP 3,016.5344 1.0000 3,038.6500\nASSET SCHEDULE\nPolicy Number     1234-56789\nAA2345679 Company 5 Utilities- M 03-Mar-2023 BUY 76.7370 13.7400 GBP 1,054.3664 1.0000 1,076.4900\nTotal"

# 修复跨行公司名
fixed_str = re.sub(r'\n(?!AA\d+)', ' ', original_str)

# 提取所有交易行
transactions = re.findall(r'AA\d+.*?(?=\nAA\d+|\nASSET SCHEDULE|\nTotal)', fixed_str, re.DOTALL)

# 输出结果
for tx in transactions:
    print(tx.strip())

逻辑说明 #

1. 替换阶段：精准区分交易行之间的换行和公司名内的换行，只替换后者为空格，保证交易行结构清晰。
2. 提取阶段：通过正向预查限定交易行的结束位置，确保提取到从交易行开头到下一个交易行或无关内容前的完整信息。

内容的提问来源于stack exchange，提问作者Anthony