Python中如何从结构化文本中提取包含指定词string1的完整句子

你之前使用的正则存在核心错误：原始文本中并未使用英文句号.作为记录分隔符，[^.]无法正确识别完整记录的前后边界，只会匹配非句号字符，因此丢失了目标记录开头的HEAD前缀内容。

你的所有完整记录均以HEAD作为起始标记，因此可以使用否定式正向预查限制匹配范围不会跨到下一条记录，正则表达式如下：

HEAD(?:(?!HEAD).)*string1(?:(?!HEAD).)*

规则说明 #

• HEAD：定位完整记录的起始位置
• (?:(?!HEAD).)*：匹配任意单个字符，仅当该字符的后续位置不是HEAD时才继续匹配，确保不会读取到下一条记录的内容
• string1：匹配你指定的目标关键词
• 后半段(?:(?!HEAD).)*：继续匹配关键词之后的剩余内容，直到遇到下一条记录的起始标记HEAD或文本结束

调用示例（Python） #

import re

# 原始文本
raw_text = "HEAD,Content,11005,{A:1,json:{B:0,C:5,D:-1,E:false,F:Failure},suffix:_A}DC0DHEAD,Content,11005,{A:1,json:{BC:true,DE:2,FG:0,HI:0,JK:0,string1:Error},suffix:_A}D646HEAD,Content,11005,{A:1,json:{Z:{Y:false,X:0,Q:1},suffix:}3AA8"
# 匹配规则
pattern = r"HEAD(?:(?!HEAD).)*string1(?:(?!HEAD).)*"
# 执行匹配
match_result = re.search(pattern, raw_text)
if match_result:
    print(match_result.group())

输出结果 #

HEAD,Content,11005,{A:1,json:{BC:true,DE:2,FG:0,HI:0,JK:0,string1:Error},suffix:_A}D646

内容的提问来源于stack exchange，提问作者Crazy