如何使用正则表达式正确提取文件中的结构化数据块

尝试使用正则表达式（RegEx）解析如下结构的信息：

1. Data
  A. Data sub 1
  B. Data sub 2
2. Data
  A. Data sub 1
  B. Data sub 2
  C. Data sub 3
  D. Data sub 4  
3. Data
  A. Data sub 1

上述每条信息单独占一行，原本可采用逐行遍历的方式处理，但希望直接通过正则完成解析任务。

按块提取上述数据，单个数据块示例如下：

1. Data
  A. Data sub 1
  B. Data sub 2

观察到数据存在固定规律，最初使用如下正则语句提取数据块：

(?s)(?=1.)(.*?)(?=(2. ))

该表达式可成功提取单个块，但如果块内容中包含表达式匹配的数字字符，提取得到的块就会不完整，造成输出内容损坏。

完整提取所有数据块，不会因定义的起止匹配边界之间存在的相似字符或字符串，导致提取过程被意外中断。

之前写的正则有两个明显缺陷：

• 没有锚定顶级编号的行首位置，只要块内部出现类似2. 的字符组合，就会被误判为块结束边界
• 硬编码了1.、2.这类固定编号，无法自动提取所有序号对应的块

直接用下面的正则即可一次性匹配所有符合规则的数据块：

(?m)^\d+\. .*(?:\r?\n\s+[A-Z]\. .*)*

规则拆解：

• (?m) 开启多行匹配模式，让^可以匹配每一行的起始位置
• ^\d+\. 只认行首开头的数字+点+空格格式的顶级条目，不会把内容中间出现的数字加点误判为顶级条目
• .* 匹配顶级条目所在行的剩余内容
• (?:\r?\n\s+[A-Z]\. .*)* 匹配后续所有带前置缩进、以大写字母+点开头的子条目，直到碰到下一个行首的顶级数字条目才停止匹配

如果子项的缩进是固定长度，把\s+换成对应数量的空格（比如示例里的2个空格），匹配精度会更高。

内容的提问来源于stack exchange，提问作者Jonalca