正则表达式来提取段落

Question

我试图在Python中编写正则表达式来提取段落的一部分。

在下面的段落中，我希望提取的部分是粗体。

建议将提升救助资金，注入资金，银行和削减 希腊债务说报告。

我正则表达式和输出如下，

>>> text = 'Proposal will boost bailout fund, inject cash into banks and cut Greek debt says reports.' 
>>> pattern = re.compile(r'(boost bailout)+?([\s\S]*?)(debt)+?') 
>>> print re.findall(pattern, text) 

[('boost bailout', ' fund, inject cash into banks and cut Greek ', 'debt')] 

虽然它提取正确的部分，是不是该萃取被分离成3份在一个元组，而不是只是一个单一的线如下面？

[('boost bailout fund, inject cash into banks and cut Greek debt')] 

Answer 1

从文档：

如果一个或多个组中存在的格局，回归团体名单;如果模式有多个组，这将是一个元组列表。空结果包含在结果中，除非他们触及另一场比赛的开始。

- http://docs.python.org/library/re.html

如果你想要一个比赛，做：

#!/usr/bin/env python 
import re 
text = 'Proposal will boost bailout fund, inject cash into banks and cut Greek debt says reports.' 
pattern = re.compile(r'boost bailout[\s\S]*?debt') 
print re.findall(pattern, text) 

Answer 2

使用

re.search(reg, text).group(0) 

或（你的情况）：

pattern.search(text).group(0) 

Answer 3

你的模式是不正确的：

(boost bailout)+意味着：字符串 '升压救助' 反复几次，
这当然不是想要的。如果你在模式中放置了几对，你会得到几个捕捉组。正确的模式，如果你想只提取“升压救助”和最后一个字符串之间的所有文字'debt'是：

pattern = r'boost bailout.+debt' 

和正则表达式是

reg = re.compile(r'boost bailout.+debt',re.DOTALL) 

re.DOTALL是使得点符号与每个字符匹配的标志，由换行符组成：它代替[\s\S]。

但是如果你想“提升救助”和“债”的首次亮相之间提取，它必须是

pattern = r'boost bailout.+?debt' 

此外，使用reg.search(text).group()代替reg.findall(text)产生一个元素的列表。

注意图案通过pattern = r'boost bailout.+?debt'定义为字符串对象，
和REG通过reg = re.compile(pattern)定义的一个RegexObject对象。

值得名字正则表达式是RegexObject，有什么值得名字模式是字符串。

Answer 4

您将返回一个元组，因为您可以在Python documentation for the re module中读取，括号会创建捕获组，然后可以单独检索它们。为了避免这种情况，您应该使用非捕获组：(?: ...)