如何使用regex正则表达式提取文本中---分隔符后的指定段落内容

核心思路 #

你原有正则逻辑过于复杂，且没有正确处理内容边界和前置垃圾文本过滤。我们直接定位---分隔符后的内容，通过正向预查限定内容的结束边界，自动过滤掉前置无效内容。

正则说明 #

使用的正则表达式为：r'---\n(.*?)(?=\n\( \d{4}-\d{2}-\d{2}|\Z)'，搭配re.DOTALL标志实现跨行匹配：

• ---\n：精准匹配分隔符及后续换行，定位内容起始位置
• (.*?)：非贪婪匹配所有字符，作为提取结果的唯一分组
• (?=\n\( \d{4}-\d{2}-\d{2}|\Z)：正向预查，匹配到下一个时间行开头或者文本末尾就停止，避免包含后续的时间、标识等无关内容

完整代码示例 #

import re

# 替换为你的原始文本变量
raw_text = "你的原始文本内容"

# 提取结果
paragraphs = re.findall(r'---\n(.*?)(?=\n\( \d{4}-\d{2}-\d{2}|\Z)', raw_text, flags=re.DOTALL)

# 可选：去除每个段落前后的空白换行
clean_paragraphs = [para.strip() for para in paragraphs]

# 输出结果，clean_paragraphs 就是所有---后的段落列表
print(clean_paragraphs)

效果说明 #

运行后你将得到一个列表，每个元素对应一个---后的段落内容，自动忽略了所有前置的无效垃圾文本，不需要额外做过滤处理。

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