Regex zur Extraktion von BVerfGE-Zitaten aus Entscheidungstexten.

regex_bverfge.py

"""
We need the Pypi regex module instead of the builtin "re", since the builtin implementation
doesn't allow Lookbehinds with flexible width which we need here.
See https://stackoverflow.com/q/20089922/342546 and https://stackoverflow.com/q/78772454/342546
"""
import regex as re

"""
Regex für BVerfGE-Zitate (nur Band/Startseite, nicht auch zitierte Seite). Basismuster
sind zwei Zifferngruppen, die durch ein Komma getrennt sind.
Erkannt werden sollen:
-   "Erstzitate", also "BVerfGE mmm, nnn"
-   "Folgezitate", also Elemente einer Zitatkette ohne unmittelbar(!) vorangehendem "BVerfGE".
Ausgeschlossen werden sollen:
-   Nicht-BVerfGE-Zitate;
-   Zifferngruppen, die nicht Band/Seite repräsentieren (z.B. mehrfache Zielseitenangaben
    in spitzen Klammern)
Aufbau mittels dreier Gruppen:
-   Lookbehind schränkt auf Matches ein, denen der Text "BVerfGE" entweder unmittelbar 
    oder mittelbar vorausgeht. Mittelbar bedeutet, dass das Match vom Text "BVerfGE" 
    nicht durch eine schließende runde Klammer getrennt ist, und dass unmittelbar vor dem
    Match ein Strichpunkt + Leerzeichen steht.
-   Erste Treffergruppe: Ziffernfolge, die nich in spitzen Klammern steht (ggf. weiterer
    Text vorangestellt);
-   Zweite Treffergruppe: Ziffernfolge, der ein Komma mit Leerzeichen vorangeht.
"""
regex = re.compile(r"""
            (?:
                (?<=\(.*?BVerfGE[^\)]*?\;\s+)
                |
                (?<=\(.*?BVerfGE\s)
            )
            (
                (?<!
                    \<
                    (?:[0-9]|[a-zA-Z]|\s+)*?
                )
                \d+
            )
            ,\s*
            (\d+)
            """, re.VERBOSE|re.MULTILINE|re.DOTALL)