正規表現を使用した複数行ブロックのマッチング

Python の正規表現を使用して複数行にまたがるテキストとマッチングするときに問題が発生す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:

• "some Varying TEXT"
• すべての大文字の行は 2 行に配置されていますその下 (改行文字を除く)

いくつかのアプローチが失敗しました:

re.compile(r"^>(\w )$$(\n[.$] )^$", re.MULTILINE) # Capture both parts
re.compile(r"([^>][\w\s] )$", re.MULTILINE|re.DOTALL) # Just textlines

この問題に対処するには、次の正規表現を利用します。

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

アンカー "^" と「$」は改行と一致しません。したがって、複数行モードでは、"^" が改行の後に続き、"$" が改行の前に置かれます。

さらに、さまざまな改行形式に注意してください。改行、復帰、またはその両方が含まれる可能性のあるテキストの場合は、より包括的な正規表現:

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

ドットによってすでに改行が除外されているため、ここでは DOTALL 修飾子は不要です。