Textauswahl mit gierig und zurückhaltend ⇐ Python

[Anonymous]

Ich versuche, Text zwischen Markierungen zu extrahieren. Aber diese Markierungen sind Wortmarker und wiederholen sich häufig. Eingabe sind EDGAR TXT-Dateien.
Meine Markierungen bestehen aus einer bestimmten Anzahl, z. ITEM 1 und ITEM2.

Mein regulärer Ausdruck ist

Code: Select all

MDA_regex = 'item[^a-zA-Z\n]*\d\s*\.\s*management\'s discussion and analysis.*?item[^a-zA-Z\n]*\d\s*'

Es funktioniert einwandfrei, schlägt jedoch fehl, wenn das Schlüsselwort item\d... zwischen ITEM 1 UND ITEM 2 auftritt. Wenn ich .* verwende, wird es zu einer anderen unerwünschten Markierung weitergeleitet, da die Berichte möglicherweise andere Elemente\d... enthalten. Wenn .* verwendet wird? Es bleibt beim ersten Auftreten des Elements hängen.

Ich kann 1 und 2 nicht fest codieren, da verschiedene Berichte unterschiedliche Positionen/Header haben können, d. h. Punkt 7 bis Punkt 8 für meinen Wunschtext. Ich verwende Python

Code: Select all

for fileName in os.listdir(path):
fileName = os.path.join(path, fileName)
if os.path.isfile(fileName):
print("opening new file " + fileName)
with open(fileName, 'r', encoding='utf-8', errors='replace') as in_file:
content = in_file.read().replace('\n',' ')
mda_list=re.findall(MDA_regex,content, re.IGNORECASE|re.DOTALL)
print(mda_list)
print(len(mda_list))

Meine Eingabe ist wie

Code: Select all

Management's Discussion and Analysis of Financial Condition and
Results of Operations............................................. 22

Item 3.

ITEM 1 . MANAGEMENT'S DISCUSSION AND ANALYSIS OF FINANCIAL CONDITION
AND RESULTS OF OPERATIONS.

FORWARD-LOOKING STATEMENTS
This report contains forward-looking statements. Additional
written or oral forward-looking statements may be made by AMERCO from
time to time in filings with the Securities and Exchange Commission or
otherwise. Management believes such forward-looking statements are
within the meaning of the safe-harbor provisions. Such item 1 statements may
include, but not be limited to, projections of revenues, income or
33
ITEM 2. QUANTITATIVE AND QUALITATIVE DISCLOSURES ABOUT MARKET RISK
DFDFDLF;DF SDLKD dlfldfkdffd;fl;l sdsl; dklkkdsmm,sd item 4
DDFLDFL dlkdsldkf dldfd;lf;f

Außerdem darf „Element“ keine Obergrenzen haben, da einige Berichte Obergrenzen haben und andere nicht.
Kann jemand vorschlagen, wie man damit umgeht? Sollte ich mehrere reguläre Ausdrücke in der if-else-Bedingung verwenden, um jede Bedingung zu überprüfen?