Python 使用正则表达式提取文本文件中的段落

Question

我正在使用 Python 3.7，我正在尝试使用正则表达式从一些文本文件中提取一些段落。

这是txt文件内容的示例。

AREA: OMBEYI MARKET, ST. RITA RAMULA

DATE: Thursday 25.03.2021, TIME: 9.00 A.M. = 5.00 P.M.

Ombeyi Mk, Kiliti Mkt, Masogo Mkt, Miwani, Kasongo, Onyango Midika, St. Rita Ramula, Onyalo
Biro, Yawo Pri, Obino, Rutek, Keyo Pri & adjacent customers.

AREA: NYAMACHE FACTORY

DATE: Thursday 25.03.2021, TIME: 830 A.M. - 3.00 P.M.

Nyamache Fact, Suguta, Gionseri, Igare, Kionduso, Nyationgongo, Enchoro, Kebuko, Emenwa, Maji
Mazuri, Borangi & adjacent customers.

AREA: SUNEKA MARKET, RIANA MARKET

DATE: Thursday 25.03.2021, TIME: 8.00 A.M. - 3.00 P.M.

Suneka Mk, Riana Mk, Kiabusura, Gesonso, Chisaro, Sugunana, Nyamira Ndogo & adjacent
customers.

AREA: ITIATI, GITUNDUTI

DATE: Thursday 25.03.2021, TIME: 9.00 A.M. = 2.00 P.M.

General China, Gachuiro, Gathuini Pri, Itiati Campus, Kianjugum, Gikore, Kihuri TBC, Gitunduti &
adjacent customers.

目前我可以使用正则表达式提取区域、日期和时间：

area_pattern = re.compile("^AREA:((.*))")
date_pattern = re.compile("^DATE:(.*),")
time_pattern = re.compile("TIME:(.*).")

我希望能够在DATE/TIME之后和AREA之前提取包含以逗号分隔的位置的段落。 所以我将能够匹配以下内容：

1.
Ombeyi Mk, Kiliti Mkt, Masogo Mkt, Miwani, Kasongo, Onyango Midika, St. Rita Ramula, Onyalo
Biro, Yawo Pri, Obino, Rutek, Keyo Pri & adjacent customers.

2.
Nyamache Fact, Suguta, Gionseri, Igare, Kionduso, Nyationgongo, Enchoro, Kebuko, Emenwa, Maji
Mazuri, Borangi & adjacent customers.

3.
Suneka Mk, Riana Mk, Kiabusura, Gesonso, Chisaro, Sugunana, Nyamira Ndogo & adjacent
customers.

4.
General China, Gachuiro, Gathuini Pri, Itiati Campus, Kianjugum, Gikore, Kihuri TBC, Gitunduti &
adjacent customers.

如果有人可以帮助建议一个对这个用例有帮助的正则表达式，以及对我当前的正则表达式的改进，我将非常感激。 谢谢

Answer 1

您可以将此正则表达式与要在re.findall中使用的捕获组一起使用：

\nDATE:.*\n*((?:\n.*)+?)(?=\nAREA:|\Z)

正则表达式演示

正则表达式详细信息：

• \nDATE: : 匹配文本DATE:匹配换行符后
• .*\n* : 匹配 rest 后跟 0 个或多个换行符的行
• ((?:\n.*)+?) ：捕获组 1 以捕获我们的文本，其中 1 或所有内容的行，直到满足下一个条件
• (?=\nAREA:|\Z) ：断言我们有一个换行符，然后是AREA:或当前 position 之前的输入结束

Answer 2

作为替代模式：

^DATE:.*((?:\n(?!AREA:).*)+)

• ^DATE:.*匹配DATE:和该行的 rest
• (捕获组 1
  • (?:\n(?:AREA.).*)+重复 1+ 行不以AREA:
• )关闭第 1 组

正则表达式演示| Python 演示