python - 从特定模式之前的字符串中提取

Question

我正在尝试删减德语维基百科文章，只输出传记文本数据（删去所有文学作品、书单等）。因此，文本的示例可能如下所示：

一些相关文本 == Title1 == 更多相关文本 ===Title2=== 和更多相关文本 == 一些关于人物的文献 == 不需要的文本 == 作者的书籍 == 更多不需要的文本...

问题是在 ==[包括单词文学或书籍的文本]== 模式之前输出文本。这将是：

一些相关文本 == Title1 == 更多相关文本 ===Title2=== 和更多相关文本

我正在使用 Python 3，我尝试了一些这样的正则表达式（以及更多）：

seperator = re.compile(r'={2,3}\s?.*literature.*\s?={2,3}')
m = seperator.search(text)
print (text[:m.start()])

但是，不幸的是，这只会输出文本，直到第一个模式 == Title1 ==：

一些相关的文字

我怎样才能让它敏感地捕捉到第一个具有“文学”或“书籍”的模式？

我希望我能准确地描述这个问题。提前感谢您的帮助，如果之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，它无法区分 Title1 和 Title2，因为它们有时过于不同且不清楚，所以我试图区分清楚地标记传记文本结束的标题，例如文学或书籍。

标签： pythonregex

Answer 1

如果我正确理解您的要求，以下正则表达式应该适合您：

.+?(?=={2,3}[^=]*literature)

正则表达式演示。

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：

在 0-87 找到匹配 1：一些相关文本 == Title1 == 更相关文本 ===Title2=== 和更相关文本

Python 演示。