为何Python正则表达式提取目录时无法匹配连字符后的内容

问题原因 #

你写的正则匹配失败有两个核心原因：

1. 你用到的\S规则仅匹配非空白字符，而你需要提取的条目名称中间包含空格（比如ITOM - IT Object Model中ITOM后就存在空格），\S*遇到第一个空格就会停止匹配，所以仅能拿到每个条目的开头单词。
2. 你的正则没有设置正确的终止匹配边界，就算修改规则允许匹配空格，也会把后面的点号、页码内容一起匹配，不符合提取要求。
   另外你代码中定义的字符串变量名为test，正则调用时用的是test1，变量名不匹配也会导致运行异常。

解决方法 #

你可以用以下正则实现需求，依靠条目标题后连续的点号作为终止边界：

re.findall(r'^(.*?)\s*\.+', test, re.MULTILINE)

规则说明：

• ^ 配合re.MULTILINE匹配每一行的行首
• (.*?) 非贪婪匹配任意字符，作为捕获组返回就是你需要的条目标题
• \s*\.+ 匹配标题末尾可能的空白字符，再匹配至少一个连续的点号作为终止标记，自动过滤掉后面的点和页码内容。

运行上述代码即可拿到你需要的结果：

['Disclaimer', 'ITOM - IT Object Model', 'DB – Datenbank Model', 'DB - Datenbank Model - Views' ]

内容的提问来源于stack exchange，提问作者Wiliam