如何从含重复嵌套模式的文本文件中提取指定内容？

1. Python re模块进阶文档 #

重点聚焦以下内容：

• 捕获组与命名组：用括号精准捕获Dataset名称、目标文件名、关键数据这三类核心内容，一次性从匹配结果中提取，省去额外循环筛选的麻烦。
• 正向预查（Lookahead）：用来精准定位每个Dataset块的结束边界（下一个[Dataset]或文本末尾），避免匹配跨块的无效内容。
• re.VERBOSE模式：允许将复杂正则拆分为多行并添加注释，大幅提升可读性，适配这种多块嵌套的文本结构。
• re.finditer()方法：迭代返回每个匹配的Match对象，方便逐个处理每个Dataset对应的内容，比findall更灵活。

2. 第三方结构化解析库文档 #

如果正则编写过于复杂，推荐查看pyparsing的官方文档：
它支持自定义文本语法规则，你可以直接定义Dataset块、Filename块、KeyData块的格式，将整个文本解析为结构化的对象列表，直接按需求提取关联数据，完全替代繁琐的嵌套循环逻辑。

示例思路（基于正则） #

你可以用包含多捕获组的正则，一次性匹配每个Dataset的完整块，直接提取所需内容：

import re

with open('file.txt', 'r') as f:
    text = f.read()

# 正则匹配每个Dataset块，捕获Dataset编号、目标文件名、关键数据
pattern = re.compile(
    r'\[Dataset (\d+)\]'          # 匹配Dataset块开头
    r'.*?'                        # 跳过中间无关内容
    r'\[Filename (\d+)\]'         # 捕获关键分隔符前的最后一个Filename
    r'.*?'                        # 跳过中间内容
    r'\[Key Data Delimiter\] (!.*?) \[Key Data Delimiter\]'  # 捕获关键数据
    r'.*?'                        # 跳过块尾无关内容
    r'(?=\[Dataset|\Z)',          # 块结束标记：下一个Dataset或文本末尾
    re.DOTALL | re.VERBOSE
)

# 提取并格式化输出
for dataset_num, filename_num, key_data in pattern.findall(text):
    print(f"[Dataset {dataset_num}], [Filename {filename_num}], {key_data}.")

内容的提问来源于stack exchange，提问作者bonzoon