Python 解析"长得像 list 的 Document 字符串"：提取 page 并拼接（别再无脑 eval）

这是字符串转 list 系列的第 2 题。第 1 题里字符串是标准的 JSON / Python 列表，用json.loads/ast.literal_eval就能解决。

但这一题的字符串不是普通列表，而是一堆Document(...)——它是 LangChain 里Document对象的字符串表示（repr）：

目标：取出每个 Document 的page（页码），并把每页的page_content（正文）拼接起来。

一、为什么第 1 题的方法在这里全部失效

这个字符串里既有单引号，又有Document(metadata=..., page_content=...)这种函数调用写法，它既不是 JSON，也不是 Python 字面量：

所以第 1 题那套在这里直接报废。

二、最稳的解法：正则提取（不碰 eval，最安全）

既然字符串格式是固定的Document(metadata={...}, page_content='...')，我们用正则只解析结构，不执行任何代码。这样无论来源是否可信都很安全。

思路：

1. 用正则找出每一段Document(...)，抓出它的metadata={...}和page_content='...'；

1. 从 metadata 里取'page': 数字；

1. 把每段的page_content收集起来，按需拼接。

✅优点：纯正则、零执行、对任意来源都安全；不关心page_content里有什么奇怪字符，只认结构。

💡 小提示：如果原始字符串里的\n是"被转义过"的（\\n两个字符），提取出来的是字面量换行符。想要真正的换行，拼接前加一句：

三、拼接时想按"页码"排序怎么办

默认parse_documents是按字符串里出现的顺序返回的。如果你希望结果按page从小到大排：

四、如果你"完全掌控来源"：用 eval 重建真实 Document

如果这段字符串确定是你自己代码print/repr出来的，绝对不会被外部篡改，也可以直接把它变回真正的Document对象，然后像平时一样用.metadata['page']访问：

⚠️为什么说"一般不推荐"：eval会执行字符串里的任意 Python 代码。一旦这段字符串来自用户、接口、数据库等外部输入，别人塞一句__import__('os').system('rm -rf /')就能造成破坏。而且page_content里的转义字符（\n）会被eval当成真换行解析，行为取决于字符串来源，不可控。

五、正确的设计：别把 Document 存成 repr 字符串

Document的repr只是给人看的调试输出，不是稳定的序列化格式。如果你要持久化或传输 Documents，请用 JSON / pickle：

这样以后无论是取page、拼正文，还是存数据库，都规规矩矩，不用再跟repr字符串斗智斗勇。

六、三种方式对比

七、总结

• 字符串里是Document(metadata=..., page_content=...)这种repr，不是 JSON / 字面量，json.loads/ast.literal_eval都救不了；

• 首选正则提取：抓metadata里的'page'和page_content，安全又稳；

• 需要真实Document对象且来源可信时可用eval，但务必清楚它的注入风险；

• 治本办法：从一开始就用json.dumps序列化 Document，而不是把repr当数据存。

一句话：拿 page、拼正文，用正则；想省事又安全，从源头改用 JSON。