如何使用Python正则表达式提取邮箱ID后到下一个Message ID前的文本

原有正则失效原因 #

1. 默认状态下正则的.元字符不匹配换行符，如果你的聊天内容包含换行，.*会直接提前终止匹配
2. 你用的.*是贪婪匹配模式，会尽可能向后匹配最长的符合规则的内容，直接把中间多条记录全部吞掉
3. 没有适配最后一条记录后面没有Message ID的场景
4. 没有提前过滤末尾***后的免责无效内容

具体实现代码 #

import re

# 第一步：先截断***之后的所有无效免责内容
cleaned_sample = sample_string.split('***', 1)[0]

# 第二步：正则匹配目标内容，开启DOTALL让.支持匹配换行，非贪婪匹配到下一个Message ID或字符串末尾
match_list = re.findall(
    r'\S+@\S+\s+(.*?)(?=\s*Message ID|\Z)',
    cleaned_sample,
    flags=re.DOTALL
)

# 可选：清洗结果，去除空值和首尾空白
result = [item.strip() for item in match_list if item.strip()]

正则规则说明 #

• \S+@\S+：保持原有逻辑匹配邮箱地址
• \s+：匹配邮箱后的所有空白字符
• .*?：非贪婪匹配任意字符，开启re.DOTALL后支持匹配换行符
• (?=\s*Message ID|\Z)：正向零宽预查，匹配到下一个Message ID之前停止，或者匹配到整个字符串末尾（适配最后一条记录没有后续Message ID的场景）

内容的提问来源于stack exchange，提问作者newbie