如何使用正则表达式从Python文本中提取段落

我对regex不熟悉,正在尝试从PDF提取的文本中提取段落。我想设定的标准是:任何以大写字母开头,以句号/问号/感叹号后跟换行符结尾的段。例如,如果我有字符串

"but Okay. So.\n What do we\n do now?\n I have no clue.\n"

我想把[“好的,那么.\n”,“我们现在要做什么?\n”,“我不知道.\n”]作为三个独立的块返回。

到目前为止,我一直在尝试:

re.findall("[A-Z].*[\.\?\!]\n",text,re.DOTALL)

但它不起作用,也就是说,它没有返回文本中的单独块。对于提供的示例,我只是一次性返回整个字符串。任何帮助都将不胜感激!

编辑:我应该澄清一下,我意识到我提供的示例并没有涵盖我试图避免的所有内容——我提取的文本中有一堆换行符,前面没有句号,我希望保持这些完整。还有一些以小写字母开头的零散位,它们不是实际段落的开头,所以我想也排除它们,并从大写字母开始匹配。

干得好:

import re
text = "Okay. So.\n What do we do now?\n I have no clue.\n"
print(re.findall(".*\n",text))

... 给予:

['Okay. So.\n', ' What do we do now?\n', ' I have no clue.\n']

更新:问题中描述的行为可以实现如下:

import re
text = "but Okay. So.\n What do we\n do now?\n I have no clue.\n"
print(re.findall('[A-Z].*?[?!.]\n', text, re.S))

输出:

['Okay. So.\n', 'What do we\n do now?\n', 'I have no clue.\n']

说明:

?, +?, ?? 那是 “,“+”和“?”限定词都是贪婪的;它们尽可能多地匹配文本。有时这种行为并不可取;如果重新<。 >与“b”匹配,它将匹配整个字符串,而不仅仅是“”。添加?在限定符使其以非贪婪或最小的方式执行匹配之后;尽可能少的字符将被匹配。使用RE<。 ?>将只匹配“”。

[?!.]\出现“?”,“!”时匹配n次或“.”后跟“\n”,这要感谢非贪婪限定符 ? 在前面的项目符号中,它不会跳过任何与此匹配的内容,而是将字符串划分为问题中描述的“段落”。