RegEx -如何只获取在大输出中重复的多行文本块？

Question

我正在解析一个来自量子化学软件的大输出(25MB provided here)。该软件使用两种方法进行计算: CASSCF和NEVPT2。每种方法执行相同的计算，导致不同的结果。实际上，我已经将我的脚本设置为对不同的配置运行多次计算，所以我最后的组织如下所示：

JOB 1
CASSCF RESULTS
***
Lots of text
***
end
NEVPT2 RESULTS
***
Lots of text
***
end

JOB 2
CASSCF RESULTS
***
Lots of text
***
end
NEVPT2 RESULTS
***
Lots of text
***
end
………………
JOB 31
CASSCF RESULTS
***
Lots of text
***
end
NEVPT2 RESULTS
***
Lots of text
***
end

我只需要NEVPT2结果，并且我已经将我的正则表达式设置为这样(应用于实际输出(我上面的示例只是为了显示组织)：

NEVPT2_Section = r"(?:AILFT MATRIX ELEMENTS \(NEVPT2\)\n-+\n\n)([\s\S]*)(?:\n\n--------------\nCASSCF TIMINGS)"
NEVPT2_Section_mathes = re.finditer(NEVPT2_Section, inp_content, re.MULTILINE)

for xyz in NEVPT2_Section_mathes:
    my_xyz = xyz.group(1)
    print(my_xyz)

如果我正在处理一个只有一个任务的文件，它可以很好地工作，从“NEVPT2 RESULTS”开始，在第一个“end”处停止，但是，多任务文件会找到第一个“NEVPT2 RESULTS”，并继续到最后一个“end”，捕获中间的所有内容。

所以，在浪费了整个星期天试图弄清楚这个问题之后，我向你们征求意见，伙计们。如何才能仅从每个NEVPT2部分中获取位？

Answer 1

你可以使用

^NEVPT2.+?^end

在single和multiline模式下，请参见。

Answer 2

作为另一种选择，您可以匹配开始行，然后使用使用多行标志的负前视(?!end$)继续匹配所有不以结束开头的行。

^NEVPT2.*\n(?:(?!end$).*\n)*end$

Regex demo | Python demo

例如

NEVPT2_Section = r"^NEVPT2.*\n(?:(?!end$).*\n)*end$"
NEVPT2_Section_mathes = re.finditer(NEVPT2_Section, inp_content, re.MULTILINE)

for xyz in NEVPT2_Section_mathes:
    print(xyz.group())