正则匹配含指定标识的章节时如何忽略后续无关章节内容？

解决方案 #

调整正则表达式，增加终止匹配的边界条件即可，修正后的代码如下：

import re
text = '7\n\x0c\n7.\tA B C\n\n7.1\tbla bla bla .\n\n7.2\tanother bla bla \n\n7.3\tand another one.\n\n8.\tX Y Z\n\n8.1\tha ha ha \n\n(a)\thohoho ;\n\n(b)\thihihi,\n\n8'
print(re.findall(r'^\d+\.\s*A B C.*?(?=\n\d+\.|\Z)', text, flags=re.M|re.S)[0])

运行后即可得到预期输出。

原理解释 #

1. 新增re.S（DOTALL）标记：让.符号可以匹配换行符，简化跨行匹配的写法
2. .*?为惰性匹配：不会无限制向后贪婪吞噬内容
3. 终止边界(?=\n\d+\.|\Z)：正向先行断言，当匹配到下一个顶级章节开头（格式为\n数字.） 或者文本结束位置\Z时就停止匹配，自动截断后续其他章节的内容，不需要提前写死章节编号。

原正则错误原因 #

之前的正则没有设置匹配终止条件，(?:\n\n.+)*会一直匹配到文本末尾，只要后续存在换行加非空内容就会持续匹配，因此会把下一个章节8的内容也全部包含进去。

内容的提问来源于stack exchange，提问作者Wiliam