Correspondência de blocos multilinhas usando expressões regulares

Você pode encontrar dificuldades ao combinar texto que abrange várias linhas usando expressões regulares do Python. Considere o seguinte texto de exemplo:

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).

O objetivo é capturar dois componentes:

• "some Varying TEXT"
• Todas as linhas maiúsculas localizadas em duas linhas abaixo dele (excluindo quaisquer caracteres de nova linha)

Várias abordagens foram tentadas sem sucesso:

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

Para resolver esse problema, utilize a seguinte expressão regular:

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

Tenha em mente que as âncoras "^" e "$" não corresponde aos feeds de linha. Portanto, no modo multilinha, "^" segue uma nova linha e "$" precede uma nova linha.

Além disso, esteja atento aos vários formatos de nova linha. Para texto que pode conter avanços de linha, retornos de carro ou ambos, use esta regex mais inclusiva:

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

O modificador DOTALL é desnecessário aqui porque o ponto já exclui novas linhas.