如何用正则表达式提取7.X类标题与后续层级标题间的文本？

问题分析 #

你要处理的文本是将章节标题（如7.1 CAPITAL TITLE）与其下方的多行文本合并为一行，但之前的正则表达式没达到效果，核心问题如下：

• 未开启re.DOTALL模式，导致.*?无法匹配换行符，抓不到标题下的多行内容
• 分组逻辑复杂且冗余，findall返回的是分组元组而非合并后的完整内容
• 未考虑文本末尾无后续标题的情况，会遗漏最后一个标题的内容

修正后的实现代码 #

import re

txt_extraction = """7.1 CAPITAL TITLE

text here
text here

7.2.2 CAPITAL TITLE"""

# 正则模式：匹配标题 + 后续内容（直到下一个标题或文本结束）
pattern = re.compile(
    r'^(7\.\d+(?:\.\d+)*\s+[A-Z\s]+)\s*(.*?)(?=^\d+\.\d+(?:\.\d+)*\s+[A-Z]|$)',
    re.DOTALL | re.MULTILINE
)

matches = pattern.findall(txt_extraction)
result_lines = []

for title, content in matches:
    # 清理内容：把换行、多空格替换成单个空格，再去除首尾空格
    cleaned_content = re.sub(r'\s+', ' ', content).strip()
    # 拼接标题和内容
    if cleaned_content:
        result_lines.append(f"{title.strip()} {cleaned_content}")
    else:
        result_lines.append(title.strip())

# 输出结果
print('\n'.join(result_lines))

代码说明 #

1. 正则模式解析：

   • ^：匹配行开头（结合re.MULTILINE）
   • 7\.\d+(?:\.\d+)*：匹配7.X/7.X.X/7.X.X.X格式的章节号
   • \s+[A-Z\s]+：匹配标题的大写字母及空格
   • (.*?)：非贪婪匹配标题后的所有内容（开启re.DOTALL后包含换行）
   • (?=^\d+\.\d+(?:\.\d+)*\s+[A-Z]|$)：正向预查，匹配到下一个标题开头或文本结尾时停止

2. 内容清理：用re.sub(r'\s+', ' ', content)把所有连续空白（换行、空格、制表符）替换成单个空格，保证内容紧凑。

运行结果 #

7.1 CAPITAL TITLE text here text here
7.2.2 CAPITAL TITLE

内容的提问来源于stack exchange，提问作者Adem Youssef