使用正则拆分对话字符串结果不符的问题排查

场景与需求 #

给定对话字符串：

person alpha:
How are you today?

person beta:
I'm fine, thank you.

person alpha:
What's up?

person beta:
Not much, just hanging around.

期望拆分后得到包含完整发言块的列表：

["person alpha:\nHow are you today?", "person beta:\nI'm fine, thank you.", "person alpha:\nWhat's up?", "person beta:\nNot much, just hanging around."]

尝试的代码与错误结果 #

使用以下代码：

import re
res = re.split('person alpha |person beta |\*|\n', s)

得到的结果是：

['person alpha:', 'How are you today?', '', 'person beta:', "I'm fine, thank you.", '', 'person alpha:', "What's up?", '', 'person beta:', 'Not much, just hanging around.']

正则表达式存在的问题 #

• 拆分逻辑完全错误：re.split是将匹配到的内容作为分隔符拆分字符串，且会丢弃分隔符，但你需要保留的是「发言者+对应内容」的完整块，用split从根本上不符合需求，应该用re.findall来提取目标内容。
• 错误将换行符列为拆分规则：原对话中，发言者行和内容行之间的换行是需要保留的（比如person alpha:\nHow are you today?是一个整体），但你把\n加入拆分规则，导致每一行被单独拆分，还因连续两个换行产生了空字符串元素。
• 发言者匹配规则不匹配原格式：正则里写的person alpha （带空格）和原字符串中person alpha:（带冒号、无空格）的格式不符，无法识别完整的发言者标识，反而把发言者行和内容行强行拆分开。
• 冗余的\*匹配规则：原字符串中没有星号字符，这个规则完全多余，既不起作用还增加了正则的复杂度。

修正方案示例 #

改用re.findall提取完整发言块，正则匹配从person alpha:或person beta:开始，到下一个发言块前的换行或字符串结尾的内容：

import re
s = """person alpha:
How are you today?

person beta:
I'm fine, thank you.

person alpha:
What's up?

person beta:
Not much, just hanging around."""
res = re.findall(r'person (?:alpha|beta):\n.*?(?=\n\n|$)', s)
print(res)

运行结果符合预期：

["person alpha:\nHow are you today?", "person beta:\nI'm fine, thank you.", "person alpha:\nWhat's up?", "person beta:\nNot much, just hanging around."]

内容的提问来源于stack exchange，提问作者BlackHawk