Python正则表达式解析多行长msgid与msgstr内容至字典

需求 #

需要解析大型PO格式翻译文件，提取msgid标记的源文本和对应的msgstr目标文本，完全保留所有空格、缩进及换行格式，最终将结果存入字典以便输出至表格。现有代码无法处理跨多行的文本内容，需用Python正则表达式实现。

示例PO文件内容 #

#: superset-frontend/src/explore/components/controls/DndColumnSelectControl/Option.tsx:68
#: superset-frontend/src/explore/components/controls/OptionControls/index.tsx:323
msgid ""
"\n"
"                This filter was inherited from the dashboard's context.\n"
"                It won't be saved when saving the chart.\n"
"              "
msgstr ""
"\n"
"                Фильтр был наследован из контекста дашборда.\n"
"                Это не будет сохранено при сохранении графика.\n"
"              "

#: superset/tasks/schedules.py:184
#, python-format
msgid ""
"\n"
"            <b><a href=\"%(url)s\">Explore in Superset</a></b><p></p>\n"
"            <img src=\"cid:%(msgid)s\">\n"
"            "
msgstr ""
"\n"
"            <b><a href=“%(url)s”>Исследовать в Superset</a></b><p></p>\n"
"            <img src=“cid:%(msgid)s”>\n"
"            "

#: superset/reports/notifications/email.py:60

用户未完成代码 #

def Parse(file : io.TextIOWrapper):
    text = ""
    for lines in file:
        if lines.startswith("msgid"):
            text += f" {lines.strip()}"
        elif lines.startswith("msgstr"):
            text += f" {lines.strip()}"
        else:
            text += lines.strip()
    text.split()

    sourcetxt = {}

    for index, word in enumerate(text):
        if word = "msgid":

解决方案 #

核心思路

利用正则表达式匹配PO文件中完整的msgid-msgstr块，通过非贪婪模式捕获跨多行的文本内容，再用ast.literal_eval解析转义字符（如\n），还原原始格式。

完整代码

import re
import ast
from typing import Dict

def parse_po_file(file_path: str) -> Dict[str, str]:
    # 读取整个文件内容
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    
    # 正则匹配所有msgid-msgstr块：(?s)让.匹配换行符
    pattern = r'(?s)msgid\s*""\s*(.*?)\s*msgstr\s*""\s*(.*?)(?=\n#:|\Z)'
    matches = re.findall(pattern, content)
    
    translation_dict = {}
    
    for msgid_parts, msgstr_parts in matches:
        # 处理msgid内容：分割成带引号的行，解析转义字符后拼接
        msgid_lines = [line.strip().strip('"') for line in msgid_parts.split('\n') if line.strip().strip('"')]
        msgid_content = ''.join([ast.literal_eval(f'"{line}"') for line in msgid_lines])
        
        # 处理msgstr内容：同上
        msgstr_lines = [line.strip().strip('"') for line in msgstr_parts.split('\n') if line.strip().strip('"')]
        msgstr_content = ''.join([ast.literal_eval(f'"{line}"') for line in msgstr_lines])
        
        translation_dict[msgid_content] = msgstr_content
    
    return translation_dict

# 使用示例
if __name__ == "__main__":
    result = parse_po_file("your_translation_file.po")
    # 输出验证
    for src, target in result.items():
        print("=== 源文本 ===")
        print(repr(src))  # repr()可以显示换行、空格等不可见字符
        print("=== 目标文本 ===")
        print(repr(target))
        print("\n")

代码说明

1. 正则模式：(?s)启用单行模式，使.匹配换行；(.*?)非贪婪捕获msgid和msgstr之间的所有内容；(?=\n#:|\Z)指定终止条件为下一个#:行或文件结尾。
2. 转义解析：用ast.literal_eval将PO文件中的字符串转义（如"\n"转为实际换行符），确保完全保留原始格式。
3. 字典存储：最终以{源文本: 目标文本}的结构存储，方便后续导出至表格。

内容的提问来源于stack exchange，提问作者Nikita