python regex corresponde ao parágrafo completo, incluindo nova linha
Tenho um arquivo de texto, do qual desejo corresponder o bloco de parágrafo completo, mas minha regex atual não funciona para corresponder ao parágrafo completo, incluindo a nova linha.
Exemplo de texto:
NOMEAR JOSIAS CARLOS BORRHER do cargo em comissão
OTHER TEXT GOES HERE
....................
020007/002832/2020.
EXONERAR DOUGLAS ALVES BORRHER do cargo em comissão
OTHER TEXT GOES HERE
....................
020007/002832/2020.
NOMEAR RAFAEL DOS SANTOS PASSAGEM para exercer o cargo
OTHER TEXT GOES HERE
....................
020007/002832/2020.
A partir do bloco de texto acima, quero combinar o parágrafo completo começando com a palavra NOMEAR
NOMEAR JOSIAS CARLOS BORRHER do cargo em comissão
OTHER TEXT GOES HERE
....................
020007/002832/2020.
NOMEAR RAFAEL DOS SANTOS PASSAGEM para exercer o cargo
OTHER TEXT GOES HERE
....................
020007/002832/2020.
O que eu tentei
import re
pattern = re.compile("NOMEAR (.*)", re.DOTALL)
for i, line in enumerate(open('pdf_text_tika.txt')):
for match in re.finditer(pattern, line):
print ('Found on line %s: %s' % (i+1, match.group()))
Resultado:
Encontrado na linha 1305: NOMEAR JOSIAS CARLOS BORRHER do cargo em comissão
Encontrado na linha 1316: NOMEAR RAFAEL DOS SANTOS PASSAGEM para exercer a carga
Respostas
Você pode usar este regex mais simples usando o MULTILINE
modo:
^NOMEAR.+(?:\n.+)*
Em python:
import re
pattern = re.compile(r'^NOMEAR.+(?:\n.+)*', re.MULTILINE)
with open('pdf_text_tika.txt', 'r') as file:
data = file.read()
print (pattern.findall(data))
RegEx Demo
Usando este padrão:
(NOMEAR (?:.+\n)+)
E este código:
import re
pattern = re.compile(r'(NOMEAR (?:.+\n)+)')
text = 'NOMEAR JOSIAS CARLOS BORRHER do cargo em comissão\n' \
'OTHER TEXT GOES HERE\n' \
'....................\n' \
'020007/002832/2020.\n\n' \
'EXONERAR DOUGLAS ALVES BORRHER do cargo em comissão\n' \
'OTHER TEXT GOES HERE\n' \
'....................\n' \
'020007/002832/2020.\n\n' \
'NOMEAR RAFAEL DOS SANTOS PASSAGEM para exercer o cargo\n' \
'OTHER TEXT GOES HERE\n' \
'....................\n' \
'020007/002832/2020.'
print(pattern.findall(text))
A saída é (formatei as novas linhas para serem mais legíveis, pois tudo veio em uma linha):
['NOMEAR JOSIAS CARLOS BORRHER do cargo em comissão\n
OTHER TEXT GOES HERE\n
....................\n
020007/002832/2020.\n',
'NOMEAR RAFAEL DOS SANTOS PASSAGEM para exercer o cargo\n
OTHER TEXT GOES HERE\n
....................\n']
Você está tentando encontrar 2 correspondências em seu texto de exemplo; isto é, as 2 partes que começam com NOMEAR e terminam com um ponto seguido por 2 novas linhas ou o final de todo o texto?
import re
text = """NOMEAR JOSIAS CARLOS BORRHER do cargo em comissão
OTHER TEXT GOES HERE
....................
020007/002832/2020.
EXONERAR DOUGLAS ALVES BORRHER do cargo em comissão
OTHER TEXT GOES HERE
....................
020007/002832/2020.
NOMEAR RAFAEL DOS SANTOS PASSAGEM para exercer o cargo
OTHER TEXT GOES HERE
....................
020007/002832/2020."""
pattern = re.compile("NOMEAR (?:.*?).(?:\n\n|\Z)", re.DOTALL)
matches = re.findall(pattern, text)
print("".join(matches))
import re
t = """NOMEAR JOSIAS CARLOS BORRHER do cargo em comissão
OTHER TEXT GOES HERE
....................
020007/002832/2020.
EXONERAR DOUGLAS ALVES BORRHER do cargo em comissão
OTHER TEXT GOES HERE
....................
020007/002832/2020.
NOMEAR RAFAEL DOS SANTOS PASSAGEM para exercer o cargo
OTHER TEXT GOES HERE
....................
020007/002832/2020."""
r = re.compile(r'(?=NOMEAR)(.*?)(?<=\d[.])', flags=re.S)
for i in r.finditer(t):
print(i.group(0))
NOMEAR JOSIAS CARLOS BORRHER do cargo em comissão
OTHER TEXT GOES HERE
....................
020007/002832/2020.
NOMEAR RAFAEL DOS SANTOS PASSAGEM para exercer o cargo
OTHER TEXT GOES HERE
....................
020007/002832/2020.