Python正则分组提取特定格式下的RANDOMSTRING数组

咱们有一段带特定标记的文本，其中=E2=80=A2是分组的分隔符，需要把每个分隔符后面的RANDOMSTRING提取出来，整理成嵌套数组的格式。具体情况如下：

• 输入文本示例（简化后）：

RANDOMSTRING $RANDOMFLOAT Paid with Visa ending in RANDOMINT *- For: RANDOMSTRING -* RANDOMINTx *RANDOMSTRING* (RANDOMSTRING) =E2=80=A2 RANDOMSTRING1 $RANDOMFLOAT RANDOMINTx RANDOMSTRING (RANDOMSTRING) =E2=80=A2 RANDOMSTRING2 =E2=80=A2 RANDOMSTRING3 =E2=80=A2 RANDOMSTRING4 =E2=80=A2 RANDOMSTRING5 $RANDOMFLOAT RANDOMINTx *RANDOMSTRING* (RANDOMSTRING) =E2=80=A2 RANDOMSTRING6 =E2=80=A2 RANDOMSTRING7 $RANDOMFLOAT RANDOMINTx *RANDOMSTRING* (RANDOMSTRING) =E2=80=A2 RANDOMSTRING8 =E2=80=A2 RANDOMSTRING9 

• 想要的输出：

[[RANDOMSTRING1], [RANDOMSTRING2, RANDOMSTRING3, RANDOMSTRING4, RANDOMSTRING5], [RANDOMSTRING6, RANDOMSTRING7], [RANDOMSTRING8, RANDOMSTRING9]]

• 当前遇到的问题：用正则re.findall("((=E2=80=A2 .*$)|\n\n)", bodytext, re.MULTILINE)跑出来的是元组数组，完全不是我们要的结构。

先说说原来的正则为啥不行哈：一是用了多层捕获组，findall遇到捕获组就会返回元组；二是匹配逻辑太宽泛，没精准定位到我们要的RANDOMSTRING，也没处理好分组的边界。

咱们换个思路，先把文本按组块拆分，再在每个组块里提取目标内容，具体代码如下：

import re

# 假设这是你的输入文本
bodytext = "RANDOMSTRING $RANDOMFLOAT Paid with Visa ending in RANDOMINT *- For: RANDOMSTRING -* RANDOMINTx *RANDOMSTRING* (RANDOMSTRING) =E2=80=A2 RANDOMSTRING1 $RANDOMFLOAT RANDOMINTx RANDOMSTRING (RANDOMSTRING) =E2=80=A2 RANDOMSTRING2 =E2=80=A2 RANDOMSTRING3 =E2=80=A2 RANDOMSTRING4 =E2=80=A2 RANDOMSTRING5 $RANDOMFLOAT RANDOMINTx *RANDOMSTRING* (RANDOMSTRING) =E2=80=A2 RANDOMSTRING6 =E2=80=A2 RANDOMSTRING7 $RANDOMFLOAT RANDOMINTx *RANDOMSTRING* (RANDOMSTRING) =E2=80=A2 RANDOMSTRING8 =E2=80=A2 RANDOMSTRING9 "

final_result = []

# 第一步：匹配每个完整的组块，组块从=E2=80=A2开始，直到遇到$RANDOMFLOAT或者文本结尾
for group_match in re.finditer(r'=E2=80=A2 (.+?)(?= \$RANDOMFLOAT|$)', bodytext, re.DOTALL):
    # 拿到当前组块的内容
    group_content = group_match.group(1)
    # 第二步：从组块里提取所有的RANDOMSTRING（包括开头第一个和后续用=E2=80=A2分隔的）
    items_in_group = re.findall(r'(?:^|=E2=80=A2 )([A-Za-z0-9 ]+)', group_content)
    # 把提取到的内容加入最终结果
    final_result.append(items_in_group)

print(final_result)

代码逻辑解释 #

1. 拆分组块：用re.finditer配合正向预查(?=...)，精准定位每个组的边界——每个组从=E2=80=A2开始，要么到 $RANDOMFLOAT结束（因为这是下一个组的前置标记），要么到文本结尾。
2. 提取组内内容：对每个组块，用正则提取所有的RANDOMSTRING——不管是组开头的第一个，还是后续用=E2=80=A2 分隔的，都能一网打尽。
3. 整理成嵌套数组：把每个组的结果作为子数组，最终组合成我们想要的格式。

这样跑出来的结果就完全符合需求啦，不会再出现元组的问题，而且分组精准。

内容的提问来源于stack exchange，提问作者leo