PDF文档章节标题与子标题匹配正则表达式优化需求

优化后的正则表达式 #

针对两种标题格式，可使用两个精准正则，或合并为一个分支正则：

单独匹配章节标题（全大写格式）

^(\d+\.)\s([A-Z\s]+)$

单独匹配子标题（层级数字+带句号结尾的标题）

^(\d+(?:\.\d+)*)\s([A-Za-z,\s-]+)\.$

合并匹配两种标题

^(\d+(?:\.\d+)*)\s(?:([A-Z\s]+)$|([A-Za-z,\s-]+)\.$)

关键优化点（解决原正则的两个问题） #

1. 修复子标题匹配不全

   • 原正则的第二个捕获组[a-zA-Z0-9_ ]*仅支持字母、数字、下划线和空格，无法匹配标题中的逗号、连字符等标点。优化后改用[A-Za-z,\s-]+，可覆盖子标题里的多词、逗号、空格和连字符，完整捕获标题内容。
   • 子标题正则末尾添加\.$，强制匹配标题结尾的句号，确保捕获到完整的子标题行。

2. 避免误匹配非标题文本

   • 章节标题通过[A-Z\s]+限制为全大写内容，过滤掉大小写混合或小写的普通数字开头文本（如1. 2023 monthly report）。
   • 子标题要求末尾必须带句号，排除无句号的数字开头行。
   • 全程用^和$锚定整行，确保匹配的是完整的标题行，而非行内的数字片段。

测试验证 #

• 章节标题示例：1. SCOPE → 捕获组1为1.，捕获组2为SCOPE
• 子标题示例1：1.1 Scope. → 捕获组1为1.1，捕获组2为Scope
• 子标题示例2：1.3 Abbreviations, Acronyms, and Symbols. → 捕获组1为1.3，捕获组2为Abbreviations, Acronyms, and Symbols

灵活调整 #

如果PDF标题中包含其他标点（如冒号、分号），可将其加入字符集，例如把[A-Za-z,\s-]+修改为[A-Za-z,\s:-]+，适配实际文档格式。

内容的提问来源于stack exchange，提问作者Dom