如何编写Python正则表达式实现含<br>的结构化文本正确分组提取

问题场景 #

现有一段包含多字段的文本，常规字段以[字段名]:[内容]<br>格式存在，但Additional Information字段的内容跨了多个<br>片段。当前正则会将这些片段拆分成独立项，需要把该字段下的所有内容合并为单个项，直到下一个带冒号的字段出现。

现有代码 #

import re

txt = "Person:Tester Test<br>Count:1<br>Testing:test<br>Additional Information:test1<br>test2<br>test3<br>Temp:123<br>"
x = re.findall("(.*?<br>)", txt)

for i in x:
 print("- " + i)

当前输出 #

- Person:Tester Test<br>
- Count:1<br>
- Testing:test<br>
- Additional Information:test1<br>
- test2<br>
- test3<br>
- Temp:123<br>

期望输出 #

- Person:Tester Test<br>
- Count:1<br>
- Testing:test<br>
- Additional Information:test1<br>test2<br>test3<br>
- Temp:123<br>

解决方案 #

利用**正向预查（lookahead）**精准匹配到下一个字段开头前的所有内容，对应的正则表达式和修改后代码如下：

修改后的代码 #

import re

txt = "Person:Tester Test<br>Count:1<br>Testing:test<br>Additional Information:test1<br>test2<br>test3<br>Temp:123<br>"
# 匹配字段名+内容，直到下一个字段名或文本结束
x = re.findall(r"(.+?:.*?(?=(?:\w+:)|\Z))", txt, re.DOTALL)

for i in x:
 print("- " + i)

正则表达式说明 #

• .+?:：匹配字段名（至少1个字符，非贪婪匹配到冒号）
• .*?：匹配字段内容，非贪婪模式避免过度匹配
• (?=(?:\w+:)|\Z)：正向预查，定位到下一个字段名（\w+:）或文本结尾（\Z）的位置，确保内容不会包含下一个字段的开头
• re.DOTALL：让.能匹配任意字符（包含换行，这里确保<br>后的内容被完整匹配）

运行结果 #

- Person:Tester Test<br>
- Count:1<br>
- Testing:test<br>
- Additional Information:test1<br>test2<br>test3<br>
- Temp:123<br>

内容的提问来源于stack exchange，提问作者Scooby