当其中包含字符串时，Regex匹配完整段落块。

Question

我有一个文本文件，如果其中包含一个字符串，那么我想要匹配完整的段落块，但是我的当前regex无法匹配完整的段落，包括新的行。

文本示例：

NOMEAR ISABELLE FERREIRA ZARONI, ID FUNCIONAL Nº
5100796-7, para exercer, com validade a contar de 16 de novembro
de 2020, o cargo em comissão de Assessor, símbolo DAS-7, da Sub-
secretaria de Concessões e Parcerias, da Secretaria de Estado de
Planejamento e Gestão, anteriormente ocupado por Vinicius dos San-
tos Silva, ID Funcional n° 5108029-0. Processo nº SEI-
1 2 0 0 0 1 / 0 1 4 6 11 / 2 0 2 0 .

NOMEAR KARINE MATOS DIAS, ID FUNCIONAL Nº 5092869-4 para
exercer, com validade a contar de 16 de novembro de 2020, o cargo
em comissão de Assessor, símbolo DAS-7, da Secretaria de Estado
de Planejamento e Gestão, anteriormente ocupado por Amauri Ferrei-
ra do Carmo, ID Funcional nº 5099579-0. Processo nº SEI-
1 2 0 0 0 1 / 0 1 4 6 11 / 2 0 2 0 .

NOMEAR ROSIONE FERNANDES DE SÁ, ID FUNCIONAL Nº
4413710-9, para exercer, com validade a contar de 16 de novembro
de 2020, o cargo em comissão de Assistente II, símbolo DAI-6, da
Secretaria de Estado de Planejamento e Gestão, anteriormente ocu-
pado por Luis Henrique Ferreira de Aquino, ID Funcional nº 1914315-
0. Processo nº SEI-120001/014825/2020.

EXONERAR, com validade a contar de 16 de novembro de 2020,
LUIS HENRIQUE FERREIRA DE AQUINO, ID FUNCIONAL Nº
1914315-0, do cargo em comissão de Assistente II, símbolo DAI-6, da
Secretaria de Estado de Planejamento e Gestão. Processo nº SEI-
120001/014825/2020.

从上面的文本块中，我想匹配完整的段落，如果它包含da Secretaria de Estado de Planejamento e Gest o，那么预期的输出将得到所有段落，因为它们都包含了单行或多行的这句话。

NOMEAR ISABELLE FERREIRA ZARONI，ID Funcional . 5100796-7，para，com validade a contar de 16 de novembro de 2020，o cargo em comiss o de Assessor，símbolo DAS-7，da Sub- Sub Sub Concess de Concess es Parcerias，da秘书para de Estado de Planejamento e Gest o，anteriormente por dos San- tos Silva，ID FUNCIONAL n°5108029-0。程序编号SEI-1 2 0 0 0 1/0 1 4 6 11 /2 0 2 0

NOMEAR KARINE MATOS DIAS，ID Funcional . 5092869-4 para，com validade a contar de 16 de novembro de 2020，o cargo em comiss o de Assessor，símbolo DAS-7，da KARINE de Estado de Planejamento e Gest o，anteriormente por Amauri Ferrei- ra do Carmo，ID FUNCIONAL编号5099579-0。程序编号SEI-1 2 0 0 0 1/0 1 4 6 11 /2 0 2 0

NOMEAR ROSIONE FERNANDES de S，ID Funcional . 4413710-9，para，com validade a contar de 16 de novembro de 2020，o cargo em comiss o de Assistente II，símbolo DAI-6，da秘书para de Estado de Planejamento e Gest o，anteriormente - pado por Luis Henrique Ferreira DE Aquino，ID FUNCIONAL编号1914315- 0。国家统计局-120001/014825/2020。

EXONERAR，com validade a contar de 16 DE novembro de 2020，LUIS HENRIQUE FERREIRA de AQUINO，ID FUNCIONAL . 1914315-0，do cargo em comiss o de Assistente II，símbolo DAI-6，da秘书LUIS de Estado de Planejamento e Gest o。国家统计局- 120001/014825/2020。

我已经尝试过的

import re
pattern = re.compile(r'.*Secretaria de Estado de Planejamento e Gestão.*', re.MULTILINE)

with open('pdf_text.txt', 'r') as file:
    data = file.read()
matched = pattern.findall(data)
print (matched)

当前输出：

“秘书Gest de Estado de Planejamento e Gest o，anteriormente -”，“SEI de Estado de Planejamento e Gest o. Processo n.SEI-”

这个输出有两个问题，首先它与完整的段落块不匹配，然后在单行或多行中没有取所有句子所在的块。

Answer 1

一种不用re的方法

[i for i in text.split("\n\n") 
 if "da Secretaria de Estado de Planejamento e Gestão" in i.replace("\n", " ")]

输出：

['NOMEAR ISABELLE FERREIRA ZARONI, ID FUNCIONAL Nº\n5100796-7, para exercer, com validade a contar de 16 de novembro\nde 2020, o cargo em comissão de Assessor, símbolo DAS-7, da Sub-\nsecretaria de Concessões e Parcerias, da Secretaria de Estado de\nPlanejamento e Gestão, anteriormente ocupado por Vinicius dos San-\ntos Silva, ID Funcional n° 5108029-0. Processo nº SEI-\n1 2 0 0 0 1 / 0 1 4 6 11 / 2 0 2 0 .',
 'NOMEAR KARINE MATOS DIAS, ID FUNCIONAL Nº 5092869-4 para\nexercer, com validade a contar de 16 de novembro de 2020, o cargo\nem comissão de Assessor, símbolo DAS-7, da Secretaria de Estado\nde Planejamento e Gestão, anteriormente ocupado por Amauri Ferrei-\nra do Carmo, ID Funcional nº 5099579-0. Processo nº SEI-\n1 2 0 0 0 1 / 0 1 4 6 11 / 2 0 2 0 .',
 'NOMEAR ROSIONE FERNANDES DE SÁ, ID FUNCIONAL Nº\n4413710-9, para exercer, com validade a contar de 16 de novembro\nde 2020, o cargo em comissão de Assistente II, símbolo DAI-6, da\nSecretaria de Estado de Planejamento e Gestão, anteriormente ocu-\npado por Luis Henrique Ferreira de Aquino, ID Funcional nº 1914315-\n0. Processo nº SEI-120001/014825/2020.',
 'EXONERAR, com validade a contar de 16 de novembro de 2020,\nLUIS HENRIQUE FERREIRA DE AQUINO, ID FUNCIONAL Nº\n1914315-0, do cargo em comissão de Assistente II, símbolo DAI-6, da\nSecretaria de Estado de Planejamento e Gestão. Processo nº SEI-\n120001/014825/2020.']

Answer 2

你可以试试这个：

text='da Secretaria de Estado de Planejamento e Gestão'

REGEX_text=re.compile(re.sub('\s','\\\s+',f'{text}'), re.IGNORECASE)
REGEX_paragraph=re.compile(r'^((?:[^\n]+\n)+)',flags=re.MULTILINE)

filtered_Paragraphs= [x for x in REGEX_paragraph.findall(data) if REGEX_text.search(x)]
for paragraph in filtered_Paragraphs:
    print(paragraph)

通知

• data是你的text-example。
• REGEX_text是继re.compile之后的da\s+Secretaria\s+de\s+Estado\s+de\s+Planejamento\s+e\s+Gestão。

有关更多信息，请参见演示-regex1 1和演示-regex2 2。