如何使用正则表达式将字符串拆分到匹配字符串的左侧？

Question

我有以下示例文本：

Performed by:

ID NUMBER:
XSOR-160491"
15632894,136259874,"TEXT:
Name: John    Age:80
[Lots of text spanning multiple lines with special characters, new lines and whitespaces]
XSOR-160491"
78452156,784569851,"TEXT:
Name: Sally    Age:31
[Lots of text spanning multiple lines with special characters, new lines and whitespaces]

ID NUMBER:
01236589,489456156878,"TEXT:
Name: Suraj    Age:56
[Lots of text spanning multiple lines with special characters, new lines and whitespaces]

00123795,,"TEXT:
Name: Shiloh    Age:12
[Lots of text spanning multiple lines with special characters, new lines and whitespaces]

我正在尝试将其拆分到以下位置：
身份证号：
XSOR-160491"
15632894、136259874 、 “正文：
其中所有粗体文本都是可选的（并非在每个实例中都存在）。

我创建了以下正则表达式，但它使用了我想要保留的信息，并且不一定考虑所有粗体可选文本。

re.split(r"[0-9]+,[0-9]+?,\"TEXT", test))

我尝试使用?=添加前瞻：

re.split(r"?=([0-9]+,[0-9]+?,\"TEXT)", test))

但这似乎不起作用。 任何帮助是极大的赞赏！

编辑：预期的 output 如下：

ID NUMBER:
XSOR-160491"
15632894,136259874,"TEXT:
Name: John    Age:80
...

---

XSOR-160491"
78452156,784569851,"TEXT:
Name: Sally    Age:31 
...

---

ID NUMBER:
01236589,489456156878,"TEXT:
Name: Suraj    Age:56
...

---

00123795,,"TEXT:
Name: Shiloh    Age:12
...

Answer 1

您可以使用"TEXT:捕获（可选）行，但将其包装在捕获组中。然后re.split将将该捕获组中的内容作为返回的块列表中的单独条目复制。然后您可以将这些块配对以获得最终拆分：

import re

regex = re.compile(r'(?m)^((?:ID NUMBER:\n)?(?:XSOR-\d+"\n)?\d+,\d*,"TEXT:\n)')

s = """
Performed by:

ID NUMBER:
XSOR-160491"
15632894,136259874,"TEXT:
Name: John    Age:80

XSOR-160491"
78452156,784569851,"TEXT:
Name: Sally    Age:31

ID NUMBER:
01236589,489456156878,"TEXT:
Name: Suraj    Age:56

00123795,,"TEXT:
Name: Shiloh    Age:12
"""

it = iter(regex.split(s))
# Pair the "delimiter" chunks with the successor chunks:
result = [next(it)] + [match + next(it) for match in it]

print("----\n".join(result))

该代码的output为：

Performed by:

----
ID NUMBER:
XSOR-160491"
15632894,136259874,"TEXT:
Name: John    Age:80

----
XSOR-160491"
78452156,784569851,"TEXT:
Name: Sally    Age:31

----
ID NUMBER:
01236589,489456156878,"TEXT:
Name: Suraj    Age:56

----
00123795,,"TEXT:
Name: Shiloh    Age:12

正则表达式非常严格，因此如果您在开始一个块的行中有更多变化，您将不得不相应地放松正则表达式。

正则表达式的解释

• (?m)是多行标志（用于整个正则表达式），表示^ （和$ ）匹配行尾而不是文本尾。
• ^要求匹配从行首开始
• (?: )? 使一个部分成为可选的，而不为它创建一个所谓的捕获组。
• (?:ID NUMBER:\n)? 允许这个可选的文字行
• (?:XSOR-\d+"\n)?允许这个可选行有一些数字（ \d+ ）
• \d+,\d*,"TEXT:\n'需要一行有两个数字，其中第二个是可选的。
• ( ) ：这包含整个匹配，并且是正则表达式中唯一的捕获组。 re.split将在返回列表中将这些括号内捕获的内容复制为单独的块。