正则表达式查找重复标记之间的字符串

Question

我有一个看起来像这样的字符串：

**** SOURCE#24 ****

[1]  Source Location [Local/Remote]          : Remote

 Remote Host Name : PNQ
 User Name        : foo

[2]  Source directory                        : HDPGWRF
[3]  Directory poll interval                 : 30
[4]  File name format                        : ACR_FILEFORMAT
[5]  Delete files from source                : y

**** SOURCE#25 ****

[1]  Source Location [Local/Remote]          : Remote

 Remote Host Name : PNR
 User Name        : foo

[2]  Source directory                        : HDPGWRF
[3]  Directory poll interval                 : 30
[4]  File name format                        : ACR_FILEFORMAT
[5]  Delete files from source                : y

**** SOURCE#26 ****
etc.....

我想要一个捕获组，根据远程主机名（例如 PNR 或 PNQ）捕获“[1]”之后直到以 [5] 开头的行末尾的所有内容。因此，所选名称周围只有 [1] 到 [5] 行。

我一直在尝试向前看和向后看，但就是无法弄清楚这一点。看起来后视是贪婪的，所以如果我搜索 PNR 部分，它不会停在第一个 [1] 处，而是抓取 PNQ 部分中第一个 [1] 之前的所有内容。

这是我最接近使其工作的方法，但只有当我搜索 PNQ 部分时它才有效：

re.search('SOURCE#.*?\[1\](.*?PNQ.*?.*?HDPGWRF.*?)\*', buf, flags=re.DOTALL).group(1)

这是在梳理了整个 stackoverflow 之后的:(

Answer 1

您可以使用不带

re.DOTALL

标志但带有

re.MULTILINE

标志的模式：

\bSOURCE#.*\s*^\[1](.*\s*^(?!\[\d+]).*\bPN[QR](?:\n(?!\[\d+]).*)*(?:\n\[\d+].*)*)

模式匹配：

• \bSOURCE#

  从单词边界开始字面匹配

• .*

  匹配该行的其余部分

• \s*^

  匹配可选的空白字符直到行首

• \[1]

  匹配

  [1]

• (

  捕获第 1 组

  • .*

    与该行的其余部分匹配

  • \s*^

    匹配可选的空白字符直到行首

  • (?!\[\d+])

    负向前瞻，断言各行不以

    [digits]

  开头

  • .*\bPN[QR]

    匹配行尾的

    PNB

    或

    PNQ

  • (?:\n(?!\[\d+]).*)*

    匹配所有以下不以

    [digits]

  开头的行

  • (?:\n\[\d+].*)*

    匹配以下所有以

    [digits]

  开头的行

• )

  关闭第 1 组

查看 regex 演示 和 a 演示，仅使用 PNR 和 Python 演示

不会过度匹配

Answer 2

如果您需要创建编号过滤项的Python对象，您可以尝试：

import re

targets = ["PNR", "PNQ"]

with open("file.txt") as f:
    pat = r"\*+\ (SOURCE#\d+) \*+\s+(.+?Remote Host Name : (\w+).+?)(?=\*)"
    
    data = {
        m.group(1) : dict(re.findall(r"\[\d+\]\s*(.+?)\s*:\s*(.+)", m.group(2)))
        for m in re.finditer(pat, f.read(), flags=re.M|re.S)
        if m.group(3) in targets # or ["PNR", "PNQ"]
    }

输出：

import json; print(json.dumps(data, indent=4))

{
    "SOURCE#24": {
        "Source Location [Local/Remote]": "Remote",
        "Source directory": "HDPGWRF",
        "Directory poll interval": "30",
        "File name format": "ACR_FILEFORMAT",
        "Delete files from source": "y"
    },
    "SOURCE#25": {
        "Source Location [Local/Remote]": "Remote",
        "Source directory": "HDPGWRF",
        "Directory poll interval": "30",
        "File name format": "ACR_FILEFORMAT",
        "Delete files from source": "y"
    }
}