Python 查找两个字符串之间的最短匹配

我有一个很大的日志文件，我想在两个字符串之间提取一个多行字符串：

start

和

end

以下是

输入文件

中的示例：

start spam
start rubbish
start wait for it...
    profit!
here end
start garbage
start second match
win. end

所需的解决方案应打印：

start wait for it...
    profit!
here end
start second match
win. end

我尝试了一个简单的正则表达式，但它返回了

start spam

中的所有内容。如何做到这一点

编辑：关于真实计算复杂性的其他信息：

• 实际文件大小：2GB
• “起始点”的位置：~12 M，均匀分布
• “end”的出现次数：~800，在文件末尾附近

---

这很难做到，因为默认情况下，

re

模块不会查看重叠匹配。较新版本的Python有一个新的

regex

模块，允许重叠匹配

你会想用像这样的东西

regex.findall(pattern, string, overlapped=True)

如果你坚持使用Python2.x或者其他没有

regex

的东西，通过一些技巧还是有可能的。一位才华横溢的人在这里解决了这个问题：

---

一旦您有了所有可能的重叠（我想是非贪婪）匹配，只需确定哪一个最短，这应该很容易。

此正则表达式应该匹配您想要的：

(start((?!start).)*?end)

使用

re.findall

方法和单行修饰符

re.S

获取多行字符串中的所有出现：

re.findall('(start((?!start).)*?end)', text, re.S)

---

查看测试。

您可以执行

（？s）start.*（？=end | start）（？：end）？

，然后过滤掉所有未以“end”结尾的内容。

使用代码-基本状态机执行此操作：

open = False
tmp = []
for ln in fi:
    if 'start' in ln:
        if open:
            tmp = []
        else:
            open = True

    if open:
        tmp.append(ln)

    if 'end' in ln:
        open = False
        for x in tmp:
            print x
        tmp = []

---

好吧，如果你想在

start

和

end

之间匹配，那么你得到

start spam

作为开始结果是正常的。。。你能澄清一下你想要的行为吗？为什么我以前从来没有听说过regex101…？regex101上的好答案和演示。我错过的关键是消极的前瞻。非常有用。也可以用JS。你能解释一下

（（？！start）。

？@FrancescoBoi明白了。也非常有效。我添加了一些关于日志文件实际大小的信息。在这种情况下，存储所有重叠匹配将超过我计算机的磁盘空间。我链接的解决方案返回一个迭代器，因此实际上不需要存储所有重叠匹配，一次只存储一个或两个。但是考虑到您试图解析的文件的格式，接受的解决方案可能更适合您的目的。