如何用Python实现带章节文本的结构化分割（规避换行分割限制）

核心思路 #

章节标题为单独一行的全大写文本（含空格），内容从标题下一行开始，直到下一个全大写标题行或文本结尾。利用正则的正向预查和DOTALL模式捕获标题和对应内容，避免误分割章节内部的换行。

正则表达式说明 #

(?P<title>[A-Z ]+)\n(?P<content>.*?)(?=\n[A-Z ]+\n|\Z)

• (?P<title>[A-Z ]+)：命名捕获组，匹配全大写字母和空格组成的标题文本，后续用strip()处理首尾空格。
• \n：匹配标题行后的换行符，分隔标题与内容。
• (?P<content>.*?)：非贪婪模式捕获内容，.*?会匹配到下一个断言位置为止，避免过度匹配。
• (?=\n[A-Z ]+\n|\Z)：正向预查，匹配两种边界：
  • \n[A-Z ]+\n：下一个全大写标题行的开头换行+标题+换行
  • \Z：文本末尾，处理最后一个章节的内容

Python 实现代码 #

import re

# 输入文本（替换为你的实际文本）
input_text = """RELATED APPLICATIONS
This application cla...... 2006.
TECHNICAL FIELD
This application relates to t.....e number.
BACKGROUND
User-initiated money and funds tra.....sfer and/or payment.
SUMMARY
A system and method for p.......als.
DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS
The following detailed d....."""

# 编译正则，启用DOTALL模式让`.`匹配换行符
pattern = re.compile(r'(?P<title>[A-Z ]+)\n(?P<content>.*?)(?=\n[A-Z ]+\n|\Z)', re.DOTALL)

output_parts = []
for match in pattern.finditer(input_text):
    # 清理标题首尾空格，清理内容末尾多余换行
    clean_title = match.group('title').strip()
    clean_content = match.group('content').rstrip('\n')
    output_parts.append(f'{clean_title}="{clean_content}"')

# 拼接所有键值对，无换行分隔
final_result = ''.join(output_parts)
print(final_result)

关键细节 #

1. re.DOTALL：必须启用该模式，否则.无法匹配章节内容内部的换行符，会导致内容被截断。
2. 非贪婪匹配.*?：确保内容只捕获到下一个章节标题前，而不是直接匹配到文本末尾。
3. 内容清理rstrip('\n')：移除内容末尾的多余换行，避免键值对中出现不必要的空行。

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