python - 如何使用 re.DOTALL 跨多行文本搜索正则表达式模式？

Question

我是一名律师和 Python 初学者，所以我既 (a) 愚蠢又 (b) 完全不在我的轨道上。

我正在尝试将正则表达式模式应用于文本文件。该模式有时可以跨越多条线。我对文本文件中的这些行特别感兴趣:

Considered  and  decided  by  Hemingway,  Presiding  Judge;  Bell, 
Judge;  and \n
 \n
Dickinson, Emily, Judge.

我想单独搜索、提取并打印评委的姓名。到目前为止，我的代码如下所示:

import re
def judges():
    presiding = re.compile(r'by\s*?([A-Z].*),\s*?Presiding\s*?Judge;', re.DOTALL)
    judge2 = re.compile(r'Presiding\s*?Judge;\s*?([A-Z].*),\s*?Judge;', re.DOTALL)
    judge3 = re.compile(r'([A-Z].*), Judge\.', re.DOTALL)
    with open("text.txt", "r") as case:
        for lines in case:
            presiding_match = re.search(presiding, lines)
            judge2_match = re.search(judge2, lines)
            judge3_match = re.search(judge3, lines)
            if presiding_match or judge2_match or judge3_match:
                print(presiding_match.group(1))
                print(judge2_match.group(1))
                print(judge3_match.group(1))
                break

当我运行它时，我可以得到 Hemingway 和 Bell，但是在两个换行符之后我得到一个“AttributeError: 'NoneType' object has no attribute 'group'” 用于第三个判断。

经过反复试验，我发现我的代码只读取第一行(直到“Bell, Judge; and”)然后退出。我以为 re.DOTALL 会解决它，但我似乎无法让它工作。

我已经尝试了一百万种方法来捕获换行符并获得全部内容，包括 re.match、re.DOTALL、re.MULTILINE、"".join、"".join(lines.strip()) ，以及我可以扔在墙上的任何其他东西来粘住。

几天后，我屈服于寻求帮助。感谢您所做的一切。

(顺便说一句，我没有运气让正则表达式与 ^ 和 $ 字符一起工作。它似乎也讨厌 judge3 正则表达式中的 . escape。)

Answer 1

您正在传递单行，因为您正在遍历case 引用的打开文件。除了一行文本之外，正则表达式不会传递任何内容。您的正则表达式可以分别匹配一些行，但它们不会全部匹配同一行。

您必须阅读不止一行。如果文件足够小，只需将其作为一个字符串读取即可:

with open("text.txt", "r") as case:
    case_text = case.read()

然后将您的正则表达式应用于该字符串。

或者，您可以单独测试每个匹配对象，而不是作为一个组，并且只打印匹配的对象:

if presiding_match:
    print(presiding_match.group(1))
elif judge2_match:
    print(judge2_match.group(1))
elif judge3_match:
    print(judge3_match.group(1))

但是您必须创建额外的逻辑来确定何时完成从文件中读取并跳出循环。

请注意，您正在匹配的模式不会跨行中断，因此此处实际上不需要 DOTALL 标志。您确实匹配 .* 文本，因此如果您使用 DOTALL，您将面临匹配太多的风险:

>>> import re
>>> case_text = """Considered  and  decided  by  Hemingway,  Presiding  Judge;  Bell, Judge;  and
...
... Dickinson, Emily, Judge.
... """
>>> presiding = re.compile(r'by\s*?([A-Z].*),\s*?Presiding\s*?Judge;', re.DOTALL)
>>> judge2 = re.compile(r'Presiding\s*?Judge;\s*?([A-Z].*),\s*?Judge;', re.DOTALL)
>>> judge3 = re.compile(r'([A-Z].*), Judge\.', re.DOTALL)
>>> presiding.search(case_text).groups()
('Hemingway',)
>>> judge2.search(case_text).groups()
('Bell',)
>>> judge3.search(case_text).groups()
('Considered  and  decided  by  Hemingway,  Presiding  Judge;  Bell, Judge;  and \n\nDickinson, Emily',)

我至少会将 [A-Z].* 替换为 [A-Z][^;\n]+，至少排除匹配的 ; 分号和换行符，并且只匹配至少 2 个字符长的名称。只需完全删除 DOTALL 标志即可:

>>> presiding = re.compile(r'by\s*?([A-Z][^;]+),\s+?Presiding\s+?Judge;')
>>> judge2 = re.compile(r'Presiding\s+?Judge;\s+?([A-Z][^;]+),\s+?Judge;')
>>> judge3 = re.compile(r'([A-Z][^;]+), Judge\.')
>>> presiding.search(case_text).groups()
('Hemingway',)
>>> judge2.search(case_text).groups()
('Bell',)
>>> judge3.search(case_text).groups()
('Dickinson, Emily',)

您可以将三种模式合二为一:

judges = re.compile(
    r'(?:Considered\s+?and\s+?decided\s+?by\s+?)?'
    r'([A-Z][^;]+),\s+?(?:Presiding\s+?)?Judge[.;]'
)

可以用.findall()一次性找到你输入的所有judges:

>>> judges.findall(case_text)
['Hemingway', 'Bell', 'Dickinson, Emily']