在Python中以未知的出现顺序捕获不同元素的正则表达式

我正在构建一个正则表达式，用Python从转发的电子邮件中提取标题值。我只对这些标题在电子邮件中的第一次出现感兴趣，我只想捕获冒号后面出现的文本部分

From: ...  
Sent: ...   
To: ...   
Subject: ...  

使用

re.search

搜索上述格式的大多数变体，以下正则表达式可以正常工作：

(?:From\s*:\s*)(.*)(?:\n*)(?:Sent\s*:\s*)(.*)(?:\n*)(?:To\s*:\s*)(.*)(?:\n*)(?:Subject\s*:\s*)

但有时，不同的标题部分的顺序不同，并且缺少元素，例如：

Sent: ...    
From: ...  
Subject: ... 

---

我想我可以使用正向前瞻来匹配任何顺序的标题格式，但我无法让它工作。有人知道如何有效地做到这一点吗？非常感谢您提供的任何帮助。

一种可能是永远不要使用任何字符，并使用lookahead在可选组中捕获您需要的所有内容：

(?=(?:.*^From\s*:\s*)(.*?$)|)(?=(?:.*^Sent\s*:\s*)(.*?$)|)(?=(?:.*^To\s*:\s*)(.*?$)|)(?=(?:.*^Subject\s*:\s*)(.*?$)|)

间隔开，这只是一个类似模式的4个重复，看起来像：

(?=(?:.*^From\s*:\s*)(.*?$)|)
(?=(?:.*^Sent\s*:\s*)(.*?$)|)
(?=(?:.*^To\s*:\s*)(.*?$)|)
(?=(?:.*^Subject\s*:\s*)(.*?$)|)

此外，为了清楚起见，您可以考虑命名捕获组：

(?=(?:.*^From\s*:\s*)(?P<From>.*?$)|)(?=(?:.*^Sent\s*:\s*)(?P<Sent>.*?$)|)(?=(?:.*^To\s*:\s*)(?P<To>.*?$)|)(?=(?:.*^Subject\s*:\s*)(?P<Subject>.*?$)|)

输出为：

(None, 'sent text', 'totext', 'subject text')

尝试以下模式：

\G（发件人：|主题：|发送：|收件人：）（.+）\n

它应该只捕获第一个块的要求由

\G

锚来实现，它确保在上一个块之后满足下一个匹配（发送/发送/发送/主题），因此另一个邮件的标题不匹配，因为它将由电子邮件的内容分隔

Alternation确保它将独立于Sent/To/From/Subject的顺序来匹配报头

---

我想我不能使用这个库，因为我的数据集是多语言的。这看起来很棒！当我在regex101中尝试它时，它是有效的（唯一的问题是它不只是捕获第一次出现）。然而，出于某种原因，我的python代码在每封电子邮件中都会找到一个匹配项，其中每个值都只捕获一个正则表达式。更新：我忘了设置m和s标志。它现在工作得很好！你知道如何调整它以只返回每个不同部分的第一个匹配项吗？让标签文本之前的所有量词变为懒惰而不是贪婪，例如

（？）=（？：.*^From

对不起，我的意思与此不同。假设第一个标题块只包含From、Sent、To，第二个标题块包含From、Sent、To、Subject，那么我不希望结果包含第二个转发的标题行，但现在捕获了一个标题行，因为第一个标题块不包含该标题行。您能一个输入和期望输出的更完整的例子？您可能要求一行中没有两个换行符

(None, 'sent text', 'totext', 'subject text')