从特定模式之前的字符串中提取

Question

我试图削减德语维基百科的文章，只输出传记文本数据(删除所有的文学，图书列表等)。因此，一个文本的例子可能如下所示：

一些相关的文本，==，Title1，==，更相关的文本===Title2===，更相关的文本，==，关于人的一些文献，不想要的文本，==books被author==更多的不想要的文本.

问题是要在==text模式之前输出文本，包括文学或books==这个词。如下所示：

一些相关文本== Title1 ==更相关的文本===Title2===和更相关的文本

我正在使用Python 3，我尝试了一些像这样的Regex (还有更多的)：

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，这只会在第一个模式== Title1 ==之前输出文本：

有关案文

我如何使它敏感，以捕捉第一个模式，其中有‘文学’或‘书’本身？

我希望我能准确地描述这个问题。谢谢你的帮助，很抱歉，如果之前有人问过这个问题，我在任何地方都找不到解决办法。

顺便说一句，区分Title1和Title2是没有选择的，因为它们有时太不一样了，而且不太清楚，所以我试着区分那些明显标志着文学或书籍等传记文本结尾的书名。

Answer 1

这里是一种纯Python的方法。这将在'='上拆分文本，并检查每个拆分中的单词。如果找到匹配，则中断循环并在其之前加入所有的循环：

s = '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'

lst = []
for x in s.split('='):
    if 'literature' in x:
        break
    else:
        lst.append(x)

print('='.join(lst).strip('='))
# some relevant text == Title1 == more relevant text ===Title2=== and more relevant text

Answer 2

如果我正确理解了您的需求，下面的regex应该适用于您：

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

Regex demo。

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：

匹配1在0-87找到:一些相关的文本== Title1 ==更相关的文本===Title2===和更相关的文本。

Python demo。