如何编写正则表达式拆分含多段%%EOF的复合PDF文件

• 贪婪匹配逻辑优先级问题：你编写的REGEX_PDF = b'%PDF\-.+(?!%PDF\-).+%%EOF'中，.+为贪婪匹配模式，会优先吞噬尽可能多的字符直到字符串末尾，再执行后面的负向先行断言(?!%PDF\-)，此时字符串末尾不存在%PDF-标记，断言必然成立，最终只会匹配到整个文件最后一个%%EOF，无法拆分出多个独立PDF。
• 断言位置逻辑错误：负向先行断言需要在每一步匹配前校验是否出现下一个PDF的起始标记，而不是在吞噬完所有内容后再校验，原有写法的断言完全没有起到区间截断的作用。

使用回火贪婪令牌限制匹配区间，保证匹配范围不会越过下一个%PDF-起始标记，同时自动匹配区间内最后一个%%EOF结束标记，代码如下：

REGEX_PDF = b'%PDF\-(?:(?!%PDF\-).)*%%EOF'
pdfDocuments = re.findall(REGEX_PDF, fileContent, re.DOTALL)

正则逻辑说明 #

• %PDF\-：匹配单个PDF的起始标记
• (?:(?!%PDF\-).)*：非捕获组，每匹配一个字符前都会校验下一个位置是否为%PDF-起始标记，若出现则立刻停止匹配，严格将匹配范围限制在当前PDF的起始标记到下一个PDF的起始标记之间
• %%EOF：匹配PDF结束标记，因为匹配区间已被限制，贪婪模式会自动取区间内最后一个%%EOF，完美适配带扩展的多EOF PDF结构。

内容的提问来源于stack exchange，提问作者Thomas