Python re.split分割文本时如何将分隔符保留至后续结果字符串

re.split() 遇到包含捕获组的正则表达式时，会自动将捕获组匹配到的内容作为独立元素插入分割后的列表，所以你当前拿到的返回结果结构是：

• 索引0：第一个分隔符之前的报告头部内容
• 索引1：第一个捕获组匹配到的Our Ref起始行（第一个实体的开头）
• 索引2：第一个起始行之后、第二个起始行之前的内容（第一个实体的剩余部分）
• 索引3：第二个捕获组匹配到的Our Ref起始行（第二个实体的开头）
• 索引4：第二个起始行之后到文本末尾的内容（第二个实体的剩余部分）
  这就是为什么分隔符会和后续内容拆分开，没有自动拼接。

方法1：零宽正向预查实现分割（保留头部内容） #

用零宽断言匹配实体起始行的位置，这种匹配不会消耗字符，也不会作为独立内容被拆分，正则需要搭配多行模式使用，确保只匹配行首的Our Ref起始标记，避免误判正文内容：

import re
# 匹配「后面紧跟符合格式的Our Ref起始行」的位置
sep_pattern = r'(?=^Our Ref :.*?Name:.*?Ref 1 :.*?Ref 2:)'
split_res = [seg.strip() for seg in re.split(sep_pattern, pdf_text.strip(), flags=re.M) if seg.strip()]

返回结果说明：

• split_res[0]：报告头部元信息（标题、生成日期、总页数、客户代码等公共内容）
• split_res[1]：第一个完整数据实体（Sky Blue的账户全量记录）
• split_res[2]：第二个完整数据实体（Green Field的账户全量记录）

方法2：findall直接提取实体（无需头部内容时用） #

如果不需要保留开头的公共头部，直接匹配所有从Our Ref起始行开始，到下一个起始行/文本末尾结束的完整实体即可，需要搭配单行模式让.匹配换行符：

entity_pattern = r'^Our Ref :.*?Name:.*?Ref 1 :.*?Ref 2:.*?(?=^Our Ref :|\Z)'
entities = [e.strip() for e in re.findall(entity_pattern, pdf_text.strip(), flags=re.M|re.S)]

返回的entities列表直接包含两个拼接完成的独立数据实体，不需要额外处理。

原写法的兼容修正 #

如果你不想调整原有正则，也可以直接对split返回的结果做步长为2的切片拼接：

split_on_data_entity = re.split(data_entity_sep_pattern, pdf_text.strip())
header = split_on_data_entity[0].strip()
entities = []
# 从索引1开始，每两个元素拼接为一个完整实体
for idx in range(1, len(split_on_data_entity), 2):
    if idx + 1 < len(split_on_data_entity):
        entities.append( (split_on_data_entity[idx] + split_on_data_entity[idx+1]).strip() )

内容的提问来源于stack exchange，提问作者Himanshu Poddar