Python2.7从无固定分隔符的含换行字符串中提取指定字段

需要从字符串textData中提取author、epoch_date、text三个字段，最初尝试用换行符作为字段分隔符，但text字段本身可包含多行内容以及#、空格等特殊字符，直接使用splitlines()方法拆分时，会将text字段内部的换行符也识别为字段分隔符，最终拆分得到5行内容而非预期的3个字段，无法正确完成提取。运行环境限定为Python 2.7，支持调整textData的定义格式，需要最简便的可行实现方案。

原有错误示例的textData定义：

textData="author:john"+"\n"+"epoch_date:53636352"+"\n"+"text:comment on_the_first_line \n line_in_the_middle \n line_at_the_end"

存在问题的拆分代码：

for line in textData.splitlines():
    print(line)

方案1：不修改原有textData格式，通过正则匹配提取 #

如果不想调整现有textData的生成规则，直接利用三个固定字段的前缀做正则匹配即可，不需要依赖固定分隔符，Python 2.7可直接运行：

import re

# 传入re.DOTALL标记让.可以匹配换行符
match_result = re.match(
    r'author:(?P<author>.*?)\nepoch_date:(?P<epoch_date>.*?)\ntext:(?P<text>.*)',
    textData,
    flags=re.DOTALL
)

author = match_result.group('author')
epoch_date = match_result.group('epoch_date')
text = match_result.group('text')

注意：必须传入re.DOTALL匹配标记，否则正则中的.无法匹配换行符，会导致多行的text字段提取不全。

提取结果验证：

• author值为john
• epoch_date值为53636352
• text值为完整的多行内容：comment on_the_first_line \n line_in_the_middle \n line_at_the_end

方案2：调整textData分隔规则，使用无冲突分隔符 #

如果可以调整textData的生成逻辑，选择不会出现在业务内容中的特殊标记做字段分隔符即可，拆分逻辑更简单、性能更高：

# 调整后的textData定义，也可以用ASCII控制字符\x1e（标准记录分隔符，普通文本不会出现）做分隔符，可靠性更高
textData = "author:john" + "|||FIELD_SPLIT|||" + "epoch_date:53636352" + "|||FIELD_SPLIT|||" + "text:comment on_the_first_line \n line_in_the_middle \n line_at_the_end"

# 拆分逻辑，split第二个参数传1表示只按第一个冒号拆分，避免字段内容里包含冒号导致解析错误
author_part, epoch_part, text_part = textData.split("|||FIELD_SPLIT|||")
author = author_part.split(":", 1)[1]
epoch_date = epoch_part.split(":", 1)[1]
text = text_part.split(":", 1)[1]

方案3：使用结构化序列化格式（长期维护最稳妥） #

如果后续可能新增字段、字段内容复杂度高，直接用Python 2.7内置支持的结构化格式存储，完全不用考虑分隔符冲突问题，比如JSON：

import json

# 生成textData阶段直接序列化
textData = json.dumps({
    "author": "john",
    "epoch_date": 53636352,
    "text": "comment on_the_first_line \n line_in_the_middle \n line_at_the_end"
})

# 提取阶段直接反序列化
data = json.loads(textData)
author = data['author']
epoch_date = data['epoch_date']
text = data['text']

该方案扩展性最好，哪怕字段内容包含任意特殊字符（换行、特殊符号、多语言内容）都不会出现解析错误，数值类型字段还可以自动保留类型，不需要额外做类型转换。

内容的提问来源于stack exchange，提问作者vel