Python 在特定模式之前从字符串中提取

我试图删掉德语维基百科文章，只输出传记文本数据（删掉所有文献、书单等）。因此，文本的示例可以如下所示：

一些相关文本==标题1==更多相关文本===标题2==和 更相关的文本==关于个人的一些文献==不需要的文本 ==作者的书==更多不需要的文本

问题是在模式==[文本包括单词文学或书籍]==之前输出文本。这就是：

一些相关文本==标题1==更多相关文本===标题2==和 更相关的文本

我正在使用Python3，我尝试了一些类似这样的正则表达式（还有更多）：

但是，不幸的是，这将只输出文本，直到第一个模式==Title1==：

一些相关文本

我怎样才能使它敏感地捕捉到第一种模式，这种模式本身就有“文学”或“书籍”

我希望我能准确地描述这个问题。提前感谢您的帮助，如果以前有人问过这个问题，我很抱歉，我在任何地方都找不到解决方案

---

顺便说一句，没有办法区分标题1和标题2，因为它们有时差异太大，而且不清楚，所以我试图区分清楚标记传记文本结尾的标题，例如文学或书籍。

这里是纯Python的方法。这将拆分

'='

上的文本，并检查每个拆分中的单词。如果找到匹配项，我们将打破循环并加入之前的所有项：

s = 'some relevant text == Title1 == more relevant text ===Title2=== and more relevant text == some literature on person == unwanted text ==books by the author== more unwanted text'

lst = []
for x in s.split('='):
    if 'literature' in x:
        break
    else:
        lst.append(x)

print('='.join(lst).strip('='))
# some relevant text == Title1 == more relevant text ===Title2=== and more relevant text

---

下面是一个纯Python的方法。这将拆分

'='

上的文本，并检查每个拆分中的单词。如果找到匹配项，我们将打破循环并加入之前的所有项：

s = 'some relevant text == Title1 == more relevant text ===Title2=== and more relevant text == some literature on person == unwanted text ==books by the author== more unwanted text'

lst = []
for x in s.split('='):
    if 'literature' in x:
        break
    else:
        lst.append(x)

print('='.join(lst).strip('='))
# some relevant text == Title1 == more relevant text ===Title2=== and more relevant text

---

如果我正确理解您的要求，以下正则表达式应该适用于您：

+？（？=={2,3}[^=]*文献）

Python 3示例：

import re

regex = r".+?(?=={2,3}[^=]*literature)"
test_str = "some relevant text == Title1 == more relevant text ===Title2=== and more relevant text == some literature on person == unwanted text ==books by the author== more unwanted text..."

matches = re.finditer(regex, test_str, re.MULTILINE)
for matchNum, match in enumerate(matches, start=1):
    print ("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group()))

输出：

import re

regex = r".+?(?=={2,3}[^=]*literature)"
test_str = "some relevant text == Title1 == more relevant text ===Title2=== and more relevant text == some literature on person == unwanted text ==books by the author== more unwanted text..."

matches = re.finditer(regex, test_str, re.MULTILINE)
for matchNum, match in enumerate(matches, start=1):
    print ("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group()))

在0-87处找到匹配项1：某些相关文本==标题1==更多 相关文本===标题2===和更相关的文本

---

.

如果我正确理解您的要求，以下正则表达式应该适用于您：

+？（？=={2,3}[^=]*文献）

Python 3示例：

import re

regex = r".+?(?=={2,3}[^=]*literature)"
test_str = "some relevant text == Title1 == more relevant text ===Title2=== and more relevant text == some literature on person == unwanted text ==books by the author== more unwanted text..."

matches = re.finditer(regex, test_str, re.MULTILINE)
for matchNum, match in enumerate(matches, start=1):
    print ("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group()))

输出：

import re

regex = r".+?(?=={2,3}[^=]*literature)"
test_str = "some relevant text == Title1 == more relevant text ===Title2=== and more relevant text == some literature on person == unwanted text ==books by the author== more unwanted text..."

matches = re.finditer(regex, test_str, re.MULTILINE)
for matchNum, match in enumerate(matches, start=1):
    print ("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group()))

在0-87处找到匹配项1：某些相关文本==标题1==更多 相关文本===标题2===和更相关的文本

---

.

是否保证“文献”一词会出现？如果你发布一个你试图匹配的真实内容的示例，可能会更有帮助。甚至可以发布这些文章的链接。如果您解释如何获取要解析的内容，也可能会有所帮助。例如，如果您接收的原始内容是html/xml/等，那么使用解析器可能更容易。单词

“文学”

是否保证存在？如果您发布一个您试图匹配的真实内容的示例，可能会更有帮助。甚至可以发布这些文章的链接。如果您解释如何获取要解析的内容，也可能会有所帮助。例如，如果您接收的原始内容是html/xml/等，那么使用解析器可能会更容易。非常感谢。看起来不错。但是，当例如“文学”不是“==标题1==”的一部分，而是后续文本的一部分时，表达式失败，例如“这里有一些文本==标题1==更多的文学文本。==标题2，文学==”。在这里，它会在“==Title1”之后立即剪切它，而不考虑以下文本，并在“==Title2处剪切文学==”假设的输出应该是：“这里有一些文本==Title1==更多的文学文本”，如果您只想在最新的“文学”之前剪切，那么就让它贪婪（即，从上面的模式中删除

？

）。下面是一个演示：很抱歉回复太晚。再次感谢您的帮助。但它仍然不起作用。我的问题不是在第一个或最新的“文献”之前剪切它。它在例如“==文献==”的第一次出现之前。正则表达式在等号之间查找单词文学（或其他单词）是很有说服力的。稍后，我还想在列表中添加其他单词，不仅是文学，还有书籍、作者……等等。并找到“==文学或书籍或作者==”的第一次出现然后在前面剪切文本。希望能澄清。@MikeTwain你在问题中没有说得很清楚，但无论如何，如果你想从字符串的开头开始匹配，并在第一个

=

后面跟这些单词的前面剪切，你可以使用

^.+（？=={2,3}[^=]*（？：文学|书籍|作者|随便什么））

。这是一个演示：非常感谢。这看起来很不错。但是，当例如“文学”不是“==标题1==”的一部分，而是后续文本的一部分时，表达式失败了，例如“这里有一些文本==标题1==更多包含文学的文本。==标题2包含文学==”。这里它会在“==标题1”之后立即剪切它考虑到以下文本，并在“==Title2 with literature==”处剪切，假设的输出应该是：“这里有一些文本==Title1==更多的文本with literature”，如果您只想在最新的“literature”之前剪切，则使其贪婪（即，从上面的模式中删除

？

）。这是一个演示：很抱歉回复太晚。再次感谢您的帮助。但它仍然不起作用。我的问题不是在第一个或最新的“文学作品”之前将其删除。它是在例如“==文学作品==”的第一次出现之前。正则表达式查找文学（或其他单词）这个词是令人信服的在等号之间。之后我想在列表中添加其他单词，不仅是文学，还有书籍、作者……等等。找到“==文学或书籍或作者==”的第一个外观，然后在前面剪切文本。希望澄清。@MikeTwain Yo