优化正则表达式，精准捕获item块中ID、Name、DataSetList值

我正尝试从存储信息的文件中捕获变量值，但面临换行和空格的问题。例如，DataSetList变量存在两种存储形式：

输入示例 #

Templates = <
  item
    Name = 'fruits'
    TemplateList = '7,12'
  end>
Surveys = <
  item
    ID = 542
    Name = 'apple'
  end
  item
    ID = 872
    Name = 'banana'
    DataSetList = '873,887,971,1055'
    PluginInfo = {something}
  end
  item
    ID = 437
    Name = 'cherry'
    DataSetList = 
      '438,452,536,620,704,788,1143,1179,1563,1647,1731,1839,1875,1851,' +
      '1863,2060,2359,2443,2469,2620'
    PluginInfo = {something}
  end>

我目前使用的正则表达式可以捕获item-end块中的ID、Name、DataSetList变量值：

当前正则表达式 #

ID[\s\=]*(?P<UID>\d*)\s*Name[\s\=]*'(?P<Name>.*)'\s*DataSetList[\s\=]*(?P<DataSetList>(?:'[\d\,]*'[\s\+]*)*)

拆分解释：

ID[\s\=]*(?P<UID>\d*)                                    # 捕获ID
\s*                                                      # 匹配空格 
Name[\s\=]*'(?P<Name>.*)'                                # 捕获Name
\s*                                                      # 匹配空格
DataSetList[\s\=]*(?P<DataSetList>(?:'[\d\,]*'[\s\+]*)*) # 捕获DataSetList

当前输出结果 #

{'UID': '872',
 'Name': 'banana',
 'DataSetList': "'873,887,971,1055'\n    "}

{'UID': '437',
 'Name': 'cherry',
 'DataSetList': "'438,452,536,620,704,788,1143,1179,1563,1647,1731,1839,1875,1851,' +\n      '1863,2060,2359,2443,2469,2620'\n    "}

存在的问题 #

当前方案不够理想，因为命名捕获组DataSetList会同时捕获空格、换行和字面量+，后续还需要额外的后处理步骤。

思路1：直接提取纯数字逗号组合 #

调整正则，跳过所有非目标字符（引号、加号、空格、换行），只捕获DataSetList对应的数字和逗号内容，利用非捕获组过滤无关结构：

ID[\s=]*(?P<UID>\d+)\s*Name[\s=]*'(?P<Name>[^']+)'\s*DataSetList[\s=]*(?:\s*'([\d,]+)'(?:\s*\+\s*'([\d,]+)')*)?

关键优化点：

• 用\d+替代\d*，确保ID捕获到有效数字，避免空值
• 用[^']+替代.*匹配Name，防止过度匹配到后续引号
• 拆分DataSetList的匹配逻辑，直接捕获每一段引号内的数字列表，忽略换行、空格和+

处理方式：

对于单行格式，直接取第一个捕获组的内容；对于多行拼接格式，将多个捕获组的内容拼接即可得到完整列表。

思路2：单个命名捕获组+轻量后处理 #

如果希望用单个命名捕获组获取DataSetList，可开启DOTALL模式（让.匹配换行），再通过简单替换清理无关字符：

ID[\s=]*(?P<UID>\d+)\s*Name[\s=]*'(?P<Name>[^']+)'\s*DataSetList[\s=]*(?P<DataSetList>(?:\s*'[\d,]+'(?:\s*\+\s*'[\d,]+')*)?)

清理代码（以Python为例）：

cleaned_dataset = re.sub(r"[^0-9,]", "", match.group('DataSetList'))

这种方式无需修改正则结构，仅通过一行替换就能得到纯数字逗号组合的字符串。

思路3：分阶段匹配（更稳健） #

先匹配完整的item块，再在块内单独提取字段，避免跨块匹配风险：

1. 匹配item块（需开启DOTALL模式）：

item\s*(.*?)\s*end

2. 在块内提取字段：
   • 提取ID：ID[\s=]*(\d+)
   • 提取Name：Name[\s=]*'([^']+)'
   • 提取DataSetList：DataSetList[\s=]*(?:\s*'([\d,]+)'(?:\s*\+\s*'([\d,]+)')*)?

这种方式逻辑更清晰，后续修改字段匹配规则也更灵活。

内容的提问来源于stack exchange，提问作者art8080