Python3正则提取NAME_分组信息问题求助

需求说明 #

需要从以下文本中，按NAME_后的ID分组提取内容，每个分组包含对应ID的NAME_行及所有后续同ID的EX_行：

AB_ NAME_ 111 "fruit";;
AB_ EX_ 111 first_fruit "banana";;
AB_ EX_ 111 second_fruit_info "Do you like 
apple

or grape?";;
AB_ EX_ 111 third_fruit "tomato";;
AB_ NAME_ 120 "food";;
AB_ NAME_ 130 "clothes";;
AB_ EX_ 130 first_clothes "t-shirt";; 

期望得到3个分组，分别对应ID 111、120、130的相关内容。

原正则的问题 #

你使用的正则AB_ NAME_ \d+ .+;\n(AB_ EX_ \d+ (.|\n)+;\n)*存在以下问题：

• 未关联NAME_和EX_的ID，可能匹配到其他ID的EX_行
• 贪婪匹配（.+、(.|\n)+）会过度捕获，甚至包含后续的NAME_行
• 换行符处理逻辑不精准，无法正确匹配跨行的EX_内容

正确的正则方案 #

使用带反向引用的非贪婪匹配，并结合re.DOTALL标志（让.匹配换行符），正则表达式如下：

AB_ NAME_ (\d+) .+?;;(?:\nAB_ EX_ \1 .+?;;)*

正则解析 #

• AB_ NAME_ (\d+) .+?;;：匹配NAME_行，捕获ID到分组1，.+?非贪婪匹配直到该行末尾的;;
• (?:\nAB_ EX_ \1 .+?;;)*：非捕获组，匹配零个或多个同ID的EX_行，\1引用前面捕获的ID，确保EX_行与NAME_行ID一致，.+?;;处理跨行内容

Python代码实现 #

import re

text = '''AB_ NAME_ 111 "fruit";;
AB_ EX_ 111 first_fruit "banana";;
AB_ EX_ 111 second_fruit_info "Do you like 
apple

or grape?";;
AB_ EX_ 111 third_fruit "tomato";;
AB_ NAME_ 120 "food";;
AB_ NAME_ 130 "clothes";;
AB_ EX_ 130 first_clothes "t-shirt";; '''

# 编译正则，启用DOTALL模式处理跨行内容
pattern = re.compile(r'AB_ NAME_ (\d+) .+?;;(?:\nAB_ EX_ \1 .+?;;)*', re.DOTALL)
# 查找所有匹配的分组
groups = [match.group(0) for match in pattern.finditer(text)]

# 输出结果
for idx, content in enumerate(groups, 1):
    print(f"{idx})")
    print("<pre><code>")
    print(content)
    print("</code></pre>")

运行后会输出你期望的3个分组内容。

内容的提问来源于stack exchange，提问作者Stella