如何编写正则表达式适配多种段落起始编号匹配场景？

需求概述 #

需要编写正则表达式，提取文本中多种格式的编号并转为[编号1]_ [编号2]的形式，覆盖以下场景：

• 普通数字编号：例如「1) sovereign control will prevail」中的1
• 层级带点编号：例如「1.1. These are the Rules」中的1.1、「5.47.1 "Пункт зупинки тролейбуса".」中的5.47.1
• 多编号组合：例如「5.24.1 і 5.24.2 "Зміна напрямку руху на дорозі з розділювальною смугою"」中的5.24.1和5.24.2

原正则([0-9.,\-\s]+)\b")无法适配多编号场景。

正则实现方案 #

核心正则表达式 #

((?:\d+(?:\.\d+)*\s+(?:і|and|&)\s+)*\d+(?:\.\d+)*)(?=\s*")

规则拆解 #

1. \d+(?:\.\d+)*：匹配单个合法编号，支持纯数字（1）或多层级带点格式（1.1、5.47.1）
2. (?:\s+(?:і|and|&)\s+)*：匹配多编号之间的连接逻辑，支持乌克兰语「і」、英文「and」、符号「&」，前后允许任意空格，*表示可匹配0次或多次（兼容单/多编号场景）
3. (?=\s*")：正向预查，确保编号后紧跟转义双引号"，避免误匹配无关文本

后处理步骤 #

捕获到编号组合字符串后，将其中的连接符（「і」「and」「&」）替换为_ 即可得到目标格式：

• 示例：捕获到5.24.1 і 5.24.2，替换后得到5.24.1_ 5.24.2
• 单编号场景：捕获到1.1，直接保留即可

简化版（单独捕获每个编号） #

如果需要单独提取每个编号，可使用：

(?:(\d+(?:\.\d+)*)\s+(?:і|and|&)\s+)*(\d+(?:\.\d+)*)(?=\s*")

此正则会将每个编号分别存入捕获分组，后续将分组内容用_ 拼接即可。

内容的提问来源于stack exchange，提问作者Evgeniy Skiba