Python使用re模块匹配以Q:/A:开头、截止下一个Q:/A:的跨多行字符串

原代码问题原因 #

• 你使用的[\w\W]*是贪婪匹配规则，会尽可能匹配最长的字符串，因此会直接从第一个匹配到的Q: /A: 一直吞到整个文本的末尾，自然只能得到一整个匹配结果
• 你把下一个问答的开头标识(A: |Q: |$)写在了普通捕获组中，这部分会被当作匹配结果的一部分被消费，不仅会把下一个问答的开头包含进当前结果，还会导致下一轮匹配跳过该开头标识

正确实现代码 #

import re

string = "Q: This is a question. \nQ: This is a 2nd question \non two lines. \n\nA: This is an answer. \nA: This is a 2nd answer \non two lines.\nQ: Here's another question. \nA: And another answer."

# 正则说明：
# [QA]:  匹配Q: 或A: 开头的标识
# .*? 非贪婪匹配任意字符，配合re.DOTALL可匹配换行符
# (?=\s*[QA]: |\Z) 正向零宽预查，匹配到下一个问答开头或文本末尾时停止，不消费后续字符
pattern = re.compile(r'[QA]: .*?(?=\s*[QA]: |\Z)', re.DOTALL)

matches = pattern.finditer(string)
for match in matches:
    print('-', match.group(0).strip()) # strip()可去掉首尾多余空行，不需要可以删除

运行输出效果 #

- Q: This is a question.
- Q: This is a 2nd question 
on two lines.
- A: This is an answer.
- A: This is a 2nd answer 
on two lines.
- Q: Here's another question.
- A: And another answer.

扩展说明 #

如果需要区分提取问题和答案，可以给开头加捕获组：
re.compile(r'([QA]): (.*?)(?=\s*[QA]: |\Z)', re.DOTALL)
遍历的时候可以通过match.group(1)获取是Q还是A，match.group(2)获取内容本身，更方便后续存入问答对结构。

内容的提问来源于stack exchange，提问作者Mark