Python正则表达式如何提取文本文件中以BEGIN/END标记包裹的重复文本块

问题原因 #

你使用的正则默认开启贪婪匹配，.*会尽可能匹配最长的符合规则的字符串，因此会从文档第一个----BEGIN---开始，一直匹配到最后一个---END结束，最终返回整个文档内容而非独立块。

解决方案 #

将正则修改为非贪婪匹配，只需在.*后添加?即可，修正后的代码如下：

import re

block_search = re.compile(r'----BEGIN---.*?---END', re.DOTALL)
with open(file, 'r', encoding='utf-8') as f:
    text = f.read()
    result = re.findall(block_search, text)

可选优化 #

如果你不需要提取结果里包含----BEGIN---和---END标记，可给中间内容添加分组，直接获取块的正文：

# 分组后findall会仅返回分组内匹配的内容
block_search = re.compile(r'----BEGIN---(.*?)---END', re.DOTALL)

内容的提问来源于stack exchange，提问作者Clovis