如何使用正则表达式从获得通话记录中提取（扬声器、文本）元组？

Question

对于我的硕士论文，我需要从公司收入电话记录中提取（演讲者、文本）元组。

成绩单采用以下形式：

OPERATOR: Some text with numbers, special characters and linebreaks.

NAME, COMPANY, POSITION: Some text with numbers, special characters and linebreaks.

NAME: Some text with numbers, special characters and linebreaks.

我想从文档中提取所有（扬声器、文本）元组。例如：

[("OPERATOR", "Some text with numbers, special characters and linebreaks."), ..]

到目前为止，我已经用re.findallPython 中的函数尝试了不同的正则表达式。

这是我的代码：

import re

# First approach:

r = re.compile(r"^([^a-z:]+?):([\s\S]+?)", flags=re.MULTILINE)

re.findall(r, example)

# Second approach:

r = re.compile(r"^([^a-z:]+?):([\s\S]+)", flags=re.MULTILINE)

re.findall(r, example)

第一种（非贪婪）方法的问题在于它没有捕获说话者的全文。

第二种（贪婪）方法的问题在于，它不会在下一个说话者出现时停止。

编辑：附加信息

文本组也可以包含双点。在某些情况下，在一行的第一个单词之后立即出现双点，例如“For\nexample: ...”

演讲者组也可以覆盖多行，例如当公司名称和职位描述很长时

Answer 1

您可以在不使用的情况下进行匹配，[\s\S]+因为它将匹配包括新行在内的任何字符。对于第二个捕获组，您可以匹配.*，然后使用具有负前瞻的重复组，只要以下行不以(?:(?!\n[^a-z\r\n]+:)^([^a-z\r\n]+):(.*(?:(?!\n[^a-z\r\n]+:)[\r\n].*)*)