複数行のテキスト ブロックを一致させるための正規表現

複数行にまたがるテキストを一致させると、正規表現の構築に課題が生じる可能性があります。次のテキスト例を考えてみましょう:

some Varying TEXT

DSJFKDAFJKDAFJDSAKFJADSFLKDLAFKDSAF
[more of the above, ending with a newline]
[yep, there is a variable number of lines here]

(repeat the above a few hundred times)

目標は、2 つのコンポーネントをキャプチャすることです。「一部の可変テキスト」部分と、空の行を除く後続の大文字テキストのすべての行です。

間違ったアプローチ:

この問題を解決するための間違ったアプローチには次のものがあります:

• 改行を一致させるために ^ アンカーと $ アンカーを使用する。複数行モードでは、^ は改行に続く位置に一致し、$ は改行に先行する位置に一致します。
• DOTALL 修飾子を使用してすべてに一致しますが、ドット (.) は改行以外のすべてに一致するため、これは不要です。

解決策:

次の正規表現は、目的のコンポーネントを正しく取得します:

^(. )\n((?:\n. ) )

コンポーネントの内訳は次のとおりです。

• ^ は行の先頭と一致します。
• (. ) は「一部の可変テキスト」部分をグループ 1 にキャプチャします。
• \n は改行文字に一致します。
• ((?:\n. ) ) は、後続の大文字テキストのすべての行をグループ 2 にキャプチャします。 ?: 非キャプチャ グループ構造により、これらの行が
• 繰り返し演算子により、少なくとも 1 行の大文字テキストが存在することが保証されます。

使用法:

Python でこの正規表現を使用するには、次のコードを使用できます:

import re

pattern = re.compile(r"^(. )\n((?:\n. ) )", re.MULTILINE)

その後、match() メソッドを使用して文字列内の一致を見つけることができます:

match = pattern.match(text)
if match:
    text1 = match.group(1)
    text2 = match.group(2)