python - 如何匹配文本和可选的重复标识符并将它们组合在一起？

Question

我正在尝试提取一段文本，后跟一个或多个标识符(用斜杠分隔)，并使用 python 中的正则表达式将标识符与文本 block 分组。

这是一些虚拟示例数据:

Lorem ipsum dolor sit amet, consectetur adipiscing elit.
 EX 0-02a
Lorem ipsum dolor sit amet, consectetur adipiscing elit.
Vestibulum eget vestibulum sapien.
Sed porta, odio id sollicitudin congue
          EX 0-04a

Lorem ipsum dolor sit amet, consectetur adipiscing elit.
Vestibulum eget vestibulum sapien, sed porta, odio id sollicitudin congue
Lorem ipsum dolor sit amet
EX 0-01a / EX 0-05a / EX 0-07a /
EX 0-08a


Lorem ipsum dolor sit amet, 
consectetur adipiscing 
elit.
Vestibulum eget 
vestibulum sapien.
                                                      EX 3-11b

到目前为止，我已经创建了这个正则表达式:

(.*?)(\w{2,4} \d-\d{0,2}\w)

这成功地捕获了文本和一个单一代码，但是一些 block 有多个代码(有时在多行上)并且这些代码没有组合在一起，因为/'s 被选为匹配项。

这是我需要的那种输出:

[(Lorem ipsum dolor sit amet, consectetur adipiscing elit.), (EX 0-01a / EX 0-02a / EX 0-05b / EX 0-03a)]

正则表达式 101:https://regex101.com/r/Wfc4nj/1

Answer 1

您可以重复匹配捕获组中标识符的模式，并使用 \s+ 匹配 1 个或多个空白字符，如果标识符可以跨多行，这些字符也匹配换行符。

\s*(.+?)\s*(\w{2,4} \d-\d{0,2}\w(?:\s+/\s+\w{2,4} \d-\d{0,2}\w)*)

查看 regex demo和一个 Python demo .

例如

import re

pattern = r"\s*(.+?)\s*(\w{2,4} \d-\d{0,2}\w(?:\s+/\s+\w{2,4} \d-\d{0,2}\w)*)"

s = ("Lorem ipsum dolor sit amet, consectetur adipiscing elit.\n"
            " EX 0-02a\n"
            "Lorem ipsum dolor sit amet, consectetur adipiscing elit.\n"
            "Vestibulum eget vestibulum sapien.\n"
            "Sed porta, odio id sollicitudin congue\n"
            "          EX 0-04a\n\n"
            "Lorem ipsum dolor sit amet, consectetur adipiscing elit.\n"
            "Vestibulum eget vestibulum sapien, sed porta, odio id sollicitudin congue\n"
            "Lorem ipsum dolor sit amet\n"
            "EX 0-01a / EX 0-05a / EX 0-07a /\n"
            "EX 0-08a\n\n\n"
            "Lorem ipsum dolor sit amet, \n"
            "consectetur adipiscing \n"
            "elit.\n"
            "Vestibulum eget \n"
            "vestibulum sapien.\n"
            "                                                      EX 3-11b")

print(re.findall(pattern, s, re.S))

输出

[
('Lorem ipsum dolor sit amet, consectetur adipiscing elit.', 'EX 0-02a'),
('Lorem ipsum dolor sit amet, consectetur adipiscing elit.\nVestibulum eget vestibulum sapien.\nSed porta, odio id sollicitudin congue', 'EX 0-04a'),
('Lorem ipsum dolor sit amet, consectetur adipiscing elit.\nVestibulum eget vestibulum sapien, sed porta, odio id sollicitudin congue\nLorem ipsum dolor sit amet', 'EX 0-01a / EX 0-05a / EX 0-07a /\nEX 0-08a'), 
('Lorem ipsum dolor sit amet, \nconsectetur adipiscing \nelit.\nVestibulum eget \nvestibulum sapien.', 'EX 3-11b')
]