正则表达式：如何将多行分组直到某字符串开头的行？

问题描述 #

我在Python中处理如下格式的文本文件：

CR INFO
CR INFO
Wed Aug 17

foo-bar name_10_Name-Child_test
foo-bar name_25_Name-out
foo-bar name_1000_Name-test_out

CR INFO
CR INFO
Wed Aug 17

foo-bar name_10_Name-Child_test
foo-bar name_25_Name-out
foo-bar name_1000_Name-test_out

我是正则表达式新手，希望将所有以foo-bar开头的连续行分组，例如第一组包含3行foo-bar内容，第二组包含日期下方的3行foo-bar内容。目前我使用的正则表达式为(^foo-bar\s+[A-z0-9-]+)，搭配gm标志，但它会将每一行foo-bar单独分组，而非将连续行归为一组。请问如何实现将连续的foo-bar行分组，直到遇到以CR开头的行或空行？

解决方案 #

你可以使用以下正则表达式配合Python的re模块，直接捕获连续的foo-bar行组：

代码实现 #

import re

# 目标文本内容
text = """CR INFO
CR INFO
Wed Aug 17

foo-bar name_10_Name-Child_test
foo-bar name_25_Name-out
foo-bar name_1000_Name-test_out

CR INFO
CR INFO
Wed Aug 17

foo-bar name_10_Name-Child_test
foo-bar name_25_Name-out
foo-bar name_1000_Name-test_out
"""

# 编译正则表达式，启用多行模式
pattern = re.compile(r'^foo-bar\s+[\w-]+(?:\nfoo-bar\s+[\w-]+)*$', re.MULTILINE)
# 查找所有匹配的连续行组
groups = pattern.findall(text)

# 输出每组内容
for i, group in enumerate(groups, 1):
    print(f"第{i}组：")
    print(group)
    print("-" * 20)

正则表达式解释 #

• ^foo-bar\s+[\w-]+：匹配单行以foo-bar开头的内容，[\w-]+匹配后续的字母、数字、下划线和连字符（比[A-z0-9-]+更准确，避免包含非字母符号）
• (?:\nfoo-bar\s+[\w-]+)*：非捕获组，匹配零个或多个紧跟在第一行之后的foo-bar行（通过\n连接），实现连续行的分组
• re.MULTILINE：让^匹配每行的开头，确保只捕获行首为foo-bar的内容

输出结果 #

运行代码后会得到两个分组，每个分组包含3行连续的foo-bar内容，完全符合需求。

内容的提问来源于stack exchange，提问作者knight