拆分文档的Regex

Question

我想将个人PDF文档从一个文件中分离出来。到目前为止，它通过使用以下代码来处理结构化的文件：%PDF- .... %%EOF ... %PDF- .... %%EOF：

REGEX_PDF = b'%PDF\-.+?%%EOF'
pdfDocuments = re.findall( REGEX_PDF, fileContent, re.DOTALL )

现在，我需要改变软件，使之也能与扩展的PDF一起工作。这导致了这样的文件结构：%PDF- .... %%EOF ... %%EOF ... %%EOF ... %PDF- .... %%EOF。因此，我需要匹配从PDF标签的子字符串，直到最后%%EOF标签之前的下一个PDF标签。我最好的猜测是：

REGEX_PDF = b'%PDF\-.+(?!%PDF\-).+%%EOF'

但这似乎行不通。相反，只有一个子字符串匹配从第1 %PDF标签顶部，最后%%EOF标签。有人知道错误在哪里吗？

谢谢你，托马斯

Answer 1

您可以在这里依赖“开始分隔符”，并使用

re.split(rb'(?!\A)(?=%PDF-)', fileContent)
re.findall(rb'%PDF-.*?(?=%PDF-|\Z)', fileContent, re.S)
re.findall(rb'%PDF-[^%]*(?:%(?!PDF-)[^%]*)*', fileContent)

见regex #1演示，regex #2演示和regex #3演示。

(?!\A)(?=%PDF-)正则表达式匹配一个非起始位置的位置，该位置紧跟在%PDF-之后。

%PDF-.*?(?=%PDF-|\Z)模式匹配%PDF-，然后任何零或多个字符尽可能少，直到最左边出现%PDF-或字符串末尾。%PDF-[^%]*(?:%(?!PDF-)[^%]*)*几乎是一样的，但是它不检查右侧是否有%PDF- (在这里，(?=%PDF-|\Z)前瞻性检查被内置到.*?模式中(“已往”))。