用Python编写正则表达式来解析前面和后面的文本

我正在解析英文维基百科的XML转储文件，并且一直在用Python编写杀死正则表达式。我附上一个示例数据片段，如下所示：

LEXEME = [
  ('ref', re.compile(r'([\s\S]{1,250})(<ref[^/>]*>[\s\S]*?</ref>)([\s\S]{1,250}))', 
    re.M | re.I)), 
  ('header', re.compile(r'(^|\n)((==[^=]+==)|(===[^=]+===)|(====[^=]+====))\s*$', 
    re.M | re.I))]

艾米·吉恩·克洛布查尔（{IPAc en|712; k|l|o|b|601;ӛr}）；生于5月25日， 1960年）是[[美国参议院的资历|资深][[美国 来自[明尼苏达州]的州参议员。她是委员会的成员 [[明尼苏达州民主农民劳工党]]，该党的一个附属机构 [[民主党（美国）|民主党]]。她是最棒的 明尼苏达州第一位当选为参议员的女性，也是其中之一 在现任[[美国参议院]任职的21名妇女

她曾担任[[Hennepin]的[[县律师]] 明尼苏达州郡]]，明尼苏达州人口最多的县。作为 律师，她曾与美国前副总统共事 国家|副总统]][[Walter Mondale].{{cite web| 作者=参议院网站|标题=明尼苏达州的美国参议员艾米 克洛布查尔：传记|年份=2007 |网址= [URL]|访问日期= 2007-02-23档案馆= [网址] |archivedate=2007年2月21日}她被称为“正在崛起的人” 民主党中的“明星” 新闻| url=[url]| title=Huffington 贴上“美国最聪明的人”的名字。 参议员| last=Tsukayama | first=Hayley | date=3月15日， 2010年|工作日期|访问日期| 5月14日， 2017年|存档url=|存档日期=|死亡url=}}{{Cite 新闻| url=[url]| title=As 该州唯一的参议员克洛布查尔赢得了同情 注意|最后一次=迪齐克斯|第一次=辛西娅|日期=5月20日， 2009年|工作=MinnPost |访问日期=5月14日， 2017年|存档url=|存档日期=|死亡url=|语言=英语}

==早期生活和教育==

克洛布查尔出生于[明尼苏达州普利茅斯]，是罗斯·凯瑟琳（née Heuberger）的女儿 70岁退休，二年级教师，{{Cite 新闻| url=[url]| title=Rose 克洛布查尔，参议员艾米·克洛布查尔的母亲， 死亡|最后一次=纳尔逊|第一次=蒂姆|进入日期=2017-02-22}和[[Jim] 克洛布查尔|詹姆斯·约翰“吉姆”克洛布查尔]]，一位作家和退休作家 体育记者和专栏作家为“[[明星论坛]]” 新闻| url=[url]| title=Born 骑：吉姆·克洛布查尔和明尼苏达自行车的诞生 旅游|报纸=明星论坛报|访问日期=2017-02-22}艾米有一个 妹妹。吉姆的祖父母是斯洛文尼亚人 美国|斯洛文尼亚]]移民，他的父亲是一名矿工 [[铁范围]]；艾米的外祖父母来自美国 [[瑞士]].{引述 web | url=[url]| title=1 | work=rootsweb.com | accessdate=11 2015年9月}

从这些数据中，我想解析1）ref标记和内容，以及2）节头。例如，ref标记及其内容表示

<ref name=bio> 
{{cite web
  |author=Senate Web site
  |title=U.S.Senator for Minnesota Amy Klobuchar: Biography
  |year=2007
  |url=[URL]
  |accessdate=2007-02-23
  |archiveurl=[URL]
  |archivedate = February 21, 2007}}
</ref>

我已经用以下代码成功地解析了这些字段：

import re


LEXEME = [
  ('ref', re.compile(r'<ref[^/>]*>[\s\S]*?</ref>)', 
    re.M | re.I)), 
  ('header', re.compile(r'(^|\n)((==[^=]+==)|(===[^=]+===)|(====[^=]+====))\s*$', 
    re.M | re.I))]

GROUP_RE = re.compile(
  '|'.join('(?P<{0}>{1})'.format(name, regex.pattern) 
    for name, regex in LEXEME), 
  re.M | re.I)


for match in GROUP_RE.finditer(content):
  print(match.lastgroup, '\t', match.group(0), '\n')

# Output
ref  <ref name=bio>{{cite web| author= Senate Web site| title = U.S. Senator for Minnesota Amy Klobuchar: Biography| year = 2007| url= [URL]| accessdate= 2007-02-23|archiveurl = [URL] |archivedate = February 21, 2007}}</ref>
ref  <ref>{{Cite news|url=[URL]|title=Huffington Post names Klobuchar the smartest U.S. Senator|last=Tsukayama|first=Hayley|date=March 15, 2010|work=|access-date=May 14, 2017|archive-url=|archive-date=|dead-url=}}</ref>
ref  <ref>{{Cite news|url=[URL]|title=As state's only senator, Klobuchar gains sympathetic attention|last=Dizikes|first=Cynthia|date=May 20, 2009|work=MinnPost|access-date=May 14, 2017|archive-url=|archive-date=|dead-url=|language=en}}</ref>
header  ==Early life and education==

重新导入
词素=[
（'ref'，重新编译（r']*>[\s\s]*？），
re.M | re.I)（，
（'header'，重新编译（r'（^.\n）（（=[^=]+==）|（==[^=]+==）|（===[^=]+==）|（====[^=]+==）\s*$，
re.M | re.I））]
组\u RE=RE.compile(
“|”join（“（？P{1}）”格式（名称，regex.pattern）
名称、词素中的正则表达式），
re.M | re.I）
对于组\u RE.finditer（内容）中的匹配：
打印（match.lastgroup，'\t'，match.group（0），'\n'）
#输出
参考{引用网站|作者=参议院网站|标题=美国明尼苏达州参议员艾米·克洛布查尔：传记|年份=2007 | url=[url]|访问日期=2007-02-23 |存档url=[url]|存档日期=2007年2月21日}
参考{{引用新闻}url=[url]| title=Huffington Post提名Klobuchar为美国最聪明的参议员{last=Tsukayama | first=Hayley | date=2010年3月15日| work=| access date=2017年5月14日|存档url=|存档日期=|死亡url=}
参考{{引用新闻}url=[url]| title=作为该州唯一的参议员，克洛布查尔获得了同情的关注{最后一位=迪齐克斯|第一位=辛西娅|日期=2009年5月20日|工作=明波斯特|访问日期=2017年5月14日|存档url=|存档日期=|死亡url=|语言=英语}
header==早期生活和教育==

我想扩展当前的正则表达式，这样在解析ref标记及其内容时，我还可以获得最多250个字符的前后文本。 例如，我想

She previously served as the [[county attorney]] for [[Hennepin County, Minnesota]], the most populous county in Minnesota. As an attorney, she worked with former [[Vice President of the United States|Vice President]] [[Walter Mondale]].
<ref name=bio>
{{cite web
  |author=Senate Web site
  |title=U.S. Senator for Minnesota Amy Klobuchar: Biography
  |year=2007
  |url=[URL]
  |accessdate=2007-02-23
  |archiveurl=[URL] 
  |archivedate=February 21, 2007}}
</ref>
She has been called a "rising star" in the Democratic Party.<ref>{{Cite news|url=[URL]|title=Huffington Post names Klobuchar the smartest U.S

她曾担任明尼苏达州人口最多的[[Hennepin county，Minnesota]]的[[县律师]]。作为律师，她曾与前[[美国副总统|副总统][[沃尔特·蒙代尔]]合作。
{{引用网站
|作者=参议院网站
|title=美国明尼苏达州参议员艾米·克洛布查尔：传记
|年份=2007年
|url=[url]
|访问日期=2007-02-23
|archiveurl=[URL]
|存档日期=2007年2月21日}
她在民主党被称为“新星”

而不是

<ref name=bio>
{{cite web
  |author=Senate Web site
  |title=U.S. Senator for Minnesota Amy Klobuchar: Biography
  |year=2007
  |url=[URL]
  |accessdate=2007-02-23
  |archiveurl=[URL] 
  |archivedate=February 21, 2007}}
</ref>

{{引用网站
|作者=参议院网站
|title=美国明尼苏达州参议员艾米·克洛布查尔：传记
|年份=2007年
|url=[url]
|访问日期=2007-02-23
|archiveurl=[URL]
|存档日期=2007年2月21日}

因此，我修改了我的代码如下：

LEXEME = [
  ('ref', re.compile(r'([\s\S]{1,250})(<ref[^/>]*>[\s\S]*?</ref>)([\s\S]{1,250}))', 
    re.M | re.I)), 
  ('header', re.compile(r'(^|\n)((==[^=]+==)|(===[^=]+===)|(====[^=]+====))\s*$', 
    re.M | re.I))]

LEXEME=[
（'ref'，重新编译（r'（[\s\s]{1250}）（]*>[\s\s]*？）（[\s\s]{1250}）），
re.M | re.I)（，
（'header'，重新编译（r'（^.\n）（（=[^=]+==）|（==[^=]+==）|（===[^=]+==）|（====[^=]+==）\s*$，
re.M | re.I））]

出现了一些问题

1） 当多个ref标记连续出现在句子末尾时：

<ref>{{Cite
news|url=[URL]|title=Huffington
Post names Klobuchar the smartest U.S.
Senator|last=Tsukayama|first=Hayley|date=March 15,
2010|work=|access-date=May 14,
2017|archive-url=|archive-date=|dead-url=}}</ref><ref>{{Cite
news|url=[URL]|title=As
state's only senator, Klobuchar gains sympathetic
attention|last=Dizikes|first=Cynthia|date=May 20,
2009|work=MinnPost|access-date=May 14,
2017|archive-url=|archive-date=|dead-url=|language=en}}</ref>

{{Cite
新闻| url=[url]| title=Huffington
贴上“美国最聪明的人”的名字。
参议员| last=Tsukayama | first=Hayley | date=3月15日，
2010年|工作日期|访问日期| 5月14日，
2017年|存档url=|存档日期=|死亡url=}}{{Cite
新闻| url=[url]| title=As
该州唯一的参议员克洛布查尔赢得了同情
注意|最后一次=迪齐克斯|第一次=辛西娅|日期=5月20日，
2009年|工作=MinnPost |访问日期=5月14日，
2017年|存档url=|存档日期=|死亡url=|语言=英语}

预期的结果是

ref  up-to-250-chars<ref>content</ref>up-to-250-chars
ref  up-to-250-chars<ref>content</ref>up-to-250-chars

ref-up-250-chars-contentup-to-250-chars
参考最多250个字符内容最多250个字符

但是，代码仅捕获后一个ref ta

ref  s-date=May 14,
2017|archive-url=|archive-date=|dead-url=|language=en}}</ref>

==Early life and education== Born in [[Plymouth, Minnesota]], Klobuchar is the daughter of Rose Katherine (née Heuberger), who
retired at age 70 from teaching second grade,<ref>{{Cite
news|url=[URL]|title=Rose
Klobuchar, mother of Sen. Amy Klobuchar,
dies|last=Nelson|first=Tim|access-date=2017-02-22}}</ref> and [[Jim
Klobuchar|James John "Jim" Klobuchar]], an author and a retired
sportswriter and columnist for the ''[[Star Tribune]]''.<ref>{{Cite
news|url=[URL]

for match in GROUP_RE.finditer(content):
    start= max(0, match.start()-250)
    end= min(len(content), match.end()+250)
    matched_text= content[start:end]