如何匹配连续换行符( / )以获取文本分割偏移量？

输入文本 #

input_text = 'DOCKET NO.  10-10 851	)	DATE
	)
	)

On appeal from the
Department of Veterans Affairs Regional Office in Portland, Oregon
'

需求 #

基于正则表达式分割连续的\r\n或\n（如\r\n\r\n、\n\n等），获取分割后各段文本的起始和结束索引偏移量。

已尝试代码 #

s,e = 0,0
newline_offsets = []
for m in re.finditer(r'[\r\n | \n\n]{2,}', input_text,re.VERBOSE):    
    b1 = m.start()
    b2 = m.end()
    e= b1
    newline_offsets.append((s,e))
    s= b2
len_text = len(input_text)
if s != len_text:
    newline_offsets.append((s,len_text))

当前输出 #

newline_offsets
Out[52]: [(0, 10), (12, 28), (30, 32), (34, 36), (40, 58), (60, 126)]

期望输出 #

[(0, 36), (40, 128)]

问题原因 #

当前正则表达式r'[\r\n | \n\n]{2,}'存在两个致命问题：

1. 使用[]字符类后，里面的\r\n | \n\n会被拆分为单个字符匹配，相当于匹配\r、\n、空格、|中的任意字符，且要求出现2次以上，这会把单个换行符之间的内容误判为分隔段。
2. re.VERBOSE模式会忽略正则中的空格，同时字符类里的|失去逻辑或的作用，变成普通字符，完全偏离了匹配连续换行的初衷。

解决方案 #

修正后的代码 #

import re

input_text = 'DOCKET NO.  10-10 851	)	DATE\n	)\n	)\n\nOn appeal from the\nDepartment of Veterans Affairs Regional Office in Portland, Oregon\n'

s = 0
newline_offsets = []
# 匹配连续2次及以上的换行序列（兼容Windows和Linux换行格式）
for m in re.finditer(r'(?:\r?\n){2,}', input_text):
    b1 = m.start()
    newline_offsets.append((s, b1))
    s = m.end()
# 处理最后一段未被分割的文本
if s < len(input_text):
    newline_offsets.append((s, len(input_text)))

print(newline_offsets)

关键说明 #

1. 正则表达式r'(?:\r?\n){2,}'：
   • (?:...)是非捕获分组，将\r?\n作为一个整体重复匹配
   • \r?\n兼容匹配Windows的\r\n和Linux的\n格式的单个换行
   • {2,}要求该换行序列至少出现2次，即连续至少两个换行（不管是\n\n还是\r\n\r\n）
2. 代码逻辑：遍历所有匹配到的连续换行分隔符，记录每个文本段的起始索引到分隔符的起始索引；更新起始索引为分隔符的结束索引，最后处理剩余的最后一段文本。

运行结果 #

执行后会得到期望的输出：

[(0, 36), (40, 128)]

内容的提问来源于stack exchange，提问作者palash