提取任意表达式组合之间的文本（列表）

Question

我需要从一个文本文件（一个字母的开头和结尾，嵌入在一个更大的文件中）中提取两个表达式（开头和结尾）之间的文本。我面临的问题是字母的开头和结尾都有多种可能的表达方式。

我有一个表达式列表，可能符合开始/结束表达式的条件。我需要从较大的文本（包括开始和结束表达式）中提取这些表达式的任意组合之间的所有文本，并将其写入新文件。

sample_text = """Some random text 
asdasd
asdasd
asdasd
**Dear my friend,
this is the text I want to extract.
Sincerly,
David**
some other random text
adasdsasd"""

到目前为止我的代码：

letter_begin = ["dear", "to our", "estimated", ...]
letter_end = ["sincerly", "yours", "best regards", ...]

with open('path/to/input') as infile, open('path/to/output', 'w') as outfile:
    copy = False
    for line in infile:
        if line.strip() == "dear": #shortcomming: only 1 Expression possible here
            copy = True
        elif line.strip() == "sincerly": #shortcomming: only 1 Expression possible here
            copy = False
        elif copy:
            outfile.write(line)

以上示例包括 "Dear" 作为 letter_begin 表达式和 "Sincerly" 作为 letter_end 表达式。我需要一个灵活的代码，它能够从上面的列表中捕获任何开头和结尾的字母表达式（表达式的任何潜在组合；例如 "Dear [...] rest regards" 或 "Estimated [...] Sincerly"）

Answer 1

我们可以尝试在全点和多行模式下使用 re.findall，使用以下模式：

Dear\s+.*?Sincerely,\n\S+

这将捕获并包括从单词 Dear 开始并包括 Sincerely 的所有内容，然后是 Sincerely 之后下一行之后的所有内容。这是一个代码示例：

output = re.findall(r"Dear\s+.*?Sincerely,\n\S+", sample_text, re.MULTILINE|re.DOTALL)
print(output)

编辑：

如果你想匹配多个可能的问候语和结束语，那么我们可以使用交替：

letter_begin = ["dear", "to our", "estimated"]
openings = '|'.join(letter_begin)
print(openings)
letter_end = ["sincerely", "yours", "best regards"]
closings = '|'.join(letter_end)
regex = r"(?:" + openings + r")\s+.*?" + r"(?:" + closings + r"),\n\S+"
output = re.findall(regex, sample_text, re.MULTILINE|re.DOTALL|re.IGNORECASE)
print(output)

['Dear my friend,\nthis is the text I want to extract.\nSincerely,\nDavid**']

提取任意表达式组合之间的文本（列表）

Extract text between any combination of expressions (list)

python

regex

text-extraction

text-mining