正则表达式获取大写章节标题之间的文本

Question

我正在尝试提取 txt 文件的章节/部分，这些文件是使用葡萄牙诉讼文档上的 pdftotext 生成的。 最初，我尝试使用这个正则表达式，至少获得每个章节的标题:

^[A-Z\s\d\W]+$

显然它适用于此示例:https://regex101.com/r/FQKsy4/1

但是，对于这个:https://regex101.com/r/BEO55p/3

我得到了一些非标题，例如那些比赛:

那么，我怎样才能不仅获得每个章节的标题，而且还获得它们的每个内容？

我尝试使用正则表达式来获取每一章及其内容，但在某些文档中效果不佳

Answer 1

使用 2 个捕获组的方法:

^[^\S\n]*([A-Z][^a-z]*)((?:\n(?![^\S\n]*[A-Z][^a-z\n]*$).*)*)$

• ^ 字符串开头
• [^\S\n]* 匹配可选空格，不带换行符
• ( 捕获组 1
  • [A-Z][^a-z]* 匹配单个大写字符，后跟除小写 a-z 之外的任何字符
• ) 关闭群组
• ( 捕获组 2
  • (?:\n(?![^\S\n]*[A-Z][^a-z\n]*$).*)* 可选择重复匹配所有不匹配的行从类似标题的模式开始
• ) 关闭群组
• $ 字符串结尾

Regex demo

更像 PCRE 的方法:

^\h*([A-Z][^a-z]*)((?>\R(?!\h*[A-Z][^a-z\r\n]*$).*)*)$

Regex demo