Regex 用于捕获和包装大纲格式文本的正则表达式

我的源文本不是特别干净或格式良好，但我需要找到文本并在标记中换行。文本是大纲格式的

1. becomes a <h1> tag
A. becomes a <h2> tag
(1) becomes a <h3> tag
and so on...

1。成为标签
成为标签
（1） 成为标签
等等

下面是一些源代码的示例

准备测试A。打开门。把灯打开

预期的结果是

<h1>1. PREPARE FOR TEST</h1>
<h2>A. Open the door.</h2>
<h2>B. Turn on the light.</h2>

<h3>(1) Check skin air inlet and skin air outlet valves are shown open if temperature is above 53.6 deg F., or closed if temperature is below 48.2 deg F.</h3>

1。备考
打开门。
把灯打开。

不幸的是，文本可能是同一行，也可能是多行，甚至在大纲编号和文本之间有不同数量的空格。另一个例子

（1） 如果OAT高于53.6华氏度，则检查进气阀和排气阀是否打开；如果OAT低于53.6华氏度，则检查进气阀和排气阀是否关闭

华氏48.2度

在这种情况下，期望的结果是

<h1>1. PREPARE FOR TEST</h1>
<h2>A. Open the door.</h2>
<h2>B. Turn on the light.</h2>

<h3>(1) Check skin air inlet and skin air outlet valves are shown open if temperature is above 53.6 deg F., or closed if temperature is below 48.2 deg F.</h3>

（1）检查皮肤进风口和皮肤出风口阀门是否在温度高于53.6华氏度时打开，或在温度低于48.2华氏度时关闭。

我的问题是

如何找到与大纲级别相关联的整行文本，即1、、等等

然后如何使用适当的标记包装该文本

我在正则表达式方面不是特别强，我已经能够完成这个项目所需的一些简单的事情，但这让我有点难堪。这里是我过去试图找到H1行的内容，但是任何了解regex的人都可以清楚地看到，这在第一个单词之后就不起作用了

\d{1,3}.\s+[A-Z]{2，}

目前我正在使用Python，但对PHP比较在行，如果需要的话，我还可以继续使用，因为我在PHP方面比Python更在行

---

谢谢。

因为每个正则表达式都需要不同的替换，所以您需要依次应用每个正则表达式。假设您希望匹配始终跨越整条线，我建议如下：

import re
s = """1. becomes a h1 tag
A. becomes a h2 tag
(1) becomes a h3 tag
and so on..."""

regexes = {r"\d+\.": "h1",
           r"[A-Z]+\.": "h2",
           r"\(\d+\)": "h3",
          }

for regex in regexes:
    repl = regexes[regex]
    s = re.sub("(?m)^" + regex + ".*", "<" + repl + ">" + r"\g<0>" + "</" + repl + ">", s)

print(s)

整个匹配项包含在组0中，可通过

\g

在替换字符串中访问该组

“+r”\g“+”#在行周围添加标记

为了以后的参考和结束本文，我最终想到的是先遍历整个文本字符串并删除一些垃圾。实际上，我在这一步中使用了15个

$regexes['lf'] = "/[\n\r]*/";
$regexes['tab-cr-lf'] = "/\t[\r\n]/";
preg_replace($regexes,"", $string);

然后我发现我可以在每个头标识符之后使用空格和

\t

，因此我在字符串上运行了更多的正则表达式

$regexes['step1'] = "/(\d{1,2}\..\t)/";
$regexes['step2'] = "/([A-Z]\. \t)/";
$replacements['step1'] = "\n\n<step1>$0";
$replacements['step2'] = "\n\n<step2>$0";
preg_replace($this->headerRegexes, $replacements, $string);

$regexes['step1']=“/（\d{1,2}\..\t）/”；
$regexes['step2']=“/（[A-Z]\.\t）/”；
$replacements['step1']=“\n\n$0”；
$replacements['step2']=“\n\n$0”；
preg_replace（$this->headerRegexes，$replacements，$string）；

这些步骤为我提供了一些可以使用的文本

---

感谢大家的参与，在我解决这个问题时，它给了我一些思考。

您的源文件是否有换行符？不能指望换行符。我们正在将PDF转换为文本，然后尝试解析出来。你说的地方不够清楚：下面是一些源代码的示例。它没有换行符非常复杂是正确的。“所有的词”需要更精确地定义——所有的词直到什么时候？句号？您需要编写一个脚本或多个

regex

，或者可能有多行。我认为源文件中没有这3部分的换行符。也许，我也在等待OP的回答。有时标识符，即“（1）”与随附的文本在不同的行上！。啊，脏数据。。。

$regexes['step1'] = "/(\d{1,2}\..\t)/";
$regexes['step2'] = "/([A-Z]\. \t)/";
$replacements['step1'] = "\n\n<step1>$0";
$replacements['step2'] = "\n\n<step2>$0";
preg_replace($this->headerRegexes, $replacements, $string);