如何用Python提取以[1]、(1.1)等带括号编号开头的段落？

问题需求 #

需要用Python提取以[1]、[1.1]、(2)、(1.2)这类带层级结构的括号编号开头，且到下一个同类型编号结束的段落。现有代码仅支持单个数字的[]/()编号，无法处理层级编号，且正则匹配逻辑存在问题。

现有代码的问题 #

1. 正则表达式错误：re.compile("\[\d\]") or re.compile("\(\d\)")这种写法不会同时匹配两种括号，第二个compile结果会被忽略，而且仅匹配单个数字，不支持1.1这类层级编号。
2. 编号连续性判断逻辑错误：int(current)-int(prev) ==1只适用于整数编号，无法处理带小数点的层级编号（比如1之后接1.1是合法段落开头，但该逻辑会过滤掉这类情况）。

改进方案 #

下面是修正后的代码，支持两种括号的层级编号匹配，并正确分割段落：

import re

def extract_numbered_paragraphs(text):
    # 匹配[数字]、(数字)、[1.1]、(2.3.4)这类层级编号
    pattern = re.compile(r'(\[|\()\d+(\.\d+)*(\]|\))')
    # 获取所有匹配的起始位置和匹配内容
    matches = list(pattern.finditer(text))
    if not matches:
        return []
    
    paragraphs = []
    # 遍历所有匹配项，分割段落
    for i in range(len(matches)):
        start_idx = matches[i].start()
        if i < len(matches) - 1:
            end_idx = matches[i+1].start()
            paragraph = text[start_idx:end_idx].strip()
        else:
            # 最后一段到文本末尾
            paragraph = text[start_idx:].strip()
        paragraphs.append(paragraph)
    
    return paragraphs

# 测试示例
test_text = """[1] 这是第一个段落的内容，包含多行
或者换行的情况。
[1.1] 这是第一个段落的子层级内容，属于[1]的下级。
(2) 这是第二种括号开头的段落，测试不同括号类型。
(2.1) 这是(2)的子层级，验证层级编号的提取。"""

result = extract_numbered_paragraphs(test_text)
for idx, para in enumerate(result, 1):
    print(f"--------段落 {idx}--------------")
    print(para)

代码说明 #

1. 正则表达式：r'(\[|\()\d+(\.\d+)*(\]|\))'
   • (\[|\()：匹配开头的[或(
   • \d+(\.\d+)*：匹配数字开头，后面可跟任意多个.数字（比如1、1.1、2.3.5都能匹配）
   • (\]|\))：匹配结尾的]或)
2. 段落分割：通过获取所有匹配的起始位置，将文本按相邻两个匹配的位置分割，最后一段直接取到文本末尾，确保每个段落都是从当前编号开头到下一个编号开头前的内容。
3. 兼容性：不管编号是整数还是层级结构，不管是方括号还是圆括号，都能正确匹配和分割。

内容的提问来源于stack exchange，提问作者hellowworld123