正则提取两个特定模式间含换行的Abstract title内容及工具选择

正则匹配失败原因 #

你写的正则有两个核心问题：

• 默认状态下正则元字符.不匹配换行符，所以Abstract title后面跨多行的内容会被截断
• 最后一个目标块后面没有连续两个换行符，是直接到文件末尾，(?=\n{2})这个正向预查匹配不到，所以最后两个跨多行的块都没正确提取。

通用修正正则模式如下（开启单行模式让.匹配换行，终止条件兼容连续空行和文件结尾）：
/Abstract title:(.*?)(?=\n{2}|\Z)/gs #

不同工具实现方案 #

1. grep（效率最高，适合大文件）

GNU grep支持-z参数实现多行匹配，命令如下：

grep -zPo 'Abstract title:(.*?)(?=\n{2}|\Z)' your_file.txt | sed '/^$/d'

说明：grep是C编写的流式处理工具，处理GB级大文件也比脚本语言快1-2个数量级，是纯提取场景的最优选择。

2. awk（性能接近grep，逻辑更简单不易错）

awk可以直接开启段落模式（按空行分割记录），匹配包含Abstract title的段落即可：

awk -v RS='' '/Abstract title/' your_file.txt

说明：RS='' 就是开启段落模式，每个记录是连续的非空行，只要段落里包含Abstract title就输出，不需要写复杂正则，性能和grep差距极小。

3. 脚本语言（JS/Python/R，适合需要后续处理数据的场景）

如果需要把提取结果存为结构化数据做后续分析，可以用脚本语言实现：

• JS示例：

const fs = require('fs')
const content = fs.readFileSync('your_file.txt', 'utf8')
const result = content.match(/Abstract title:(.*?)(?=\n{2}|\Z)/gs)
console.log(result.join('\n---\n'))

• R示例：

library(stringr)
content <- readLines("your_file.txt", warn = F) |> paste(collapse = "\n")
result <- str_match_all(content, "Abstract title:(.*?)(?=\\n{2}|\\Z)")[[1]][,2]

说明：处理100MB以内的文件时脚本语言性能差距可以忽略，超大型文件不推荐。

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