Python3.6使用正则从多行文本中提取RECT间隔内容存入数组

问题原因 #

原有正则存在两个核心问题：

• 未开启单行模式，.默认无法匹配换行符，无法跨行捕获内容
• 没有限制匹配终止边界为下一个RECT或MMMM标记，会一次性捕获第一个RECT后的全部内容

正确实现代码 #

import re

# 待处理文本
text = """RECT  
texttextetxtsd  
text  
texttexttexttext  
RECT  
texttextetxtwes  
text  
texttexttexttext  
text  
MMMM"""

# 正则匹配：开启单行模式+非贪婪匹配+正向预查限定终止边界
result = re.findall(r'RECT\s*(.*?)(?=\s*(?:RECT|MMMM))', text, flags=re.S)

# 输出结果
print(result)

正则说明 #

• RECT\s*：匹配RECT标记及其后的所有空白字符（含换行），跳过标记与内容之间的空白
• (.*?)：非贪婪捕获所有字符，作为最终提取的内容段
• (?=\s*(?:RECT|MMMM))：正向零宽预查，匹配到下一个RECT或终止标记MMMM的前序位置就停止，不会将标记本身纳入捕获结果
• flags=re.S：开启单行模式，让.可以匹配换行符，适配多行内容的提取需求

运行输出 #

输出的数组每个元素对应两个RECT（或最后一个RECT到MMMM）之间的内容，符合预期：

['texttextetxtsd  \ntext  \ntexttexttexttext', 'texttextetxtwes  \ntext  \ntexttexttexttext  \ntext']

如果需要去除每行末尾的多余空格，可以对结果做二次处理：

processed_result = ['\n'.join(line.rstrip() for line in segment.split('\n')) for segment in result]

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