如何用正则提取葡萄牙诉讼文档的章节标题及对应内容？

问题分析 #

你用的正则^[A-Z\s\d\W]+$范围太宽泛，仅靠全大写行匹配标题，但葡萄牙语诉讼文档里可能存在全大写的正文段落（比如PDF转换时的格式错乱、强调性正文内容），导致误匹配。另外，葡萄牙语带重音的大写字母（À, Á, Â, É, Ê, Í, Ó, Ô, Ú, Ç等）未被原正则覆盖，会直接漏掉带重音的合法标题。

优化正则方案 #

1. 精准匹配标题特征 #

葡萄牙语诉讼文档的章节标题通常具备以下特征：

• 全大写（含带重音的大写字母及Ç）
• 带有明确的章节前缀（如CAPÍTULO、SEÇÃO、ARTIGO等）或数字编号（如1., 1.1, 3.2.1等）
• 单独占一行，结尾可能带标点（冒号、句号等）

优化后的正则表达式：

^(CAPÍTULO|SEÇÃO|ARTIGO|PARÁGRAFO|ITEM|[\d.]+)\s+[A-ZÀ-ÚÇ\s\W]+$

• 优先匹配常见的章节前缀或数字编号，锁定标题的核心标识
• 覆盖葡萄牙语所有带重音的大写字母，避免遗漏合法标题

2. 结合上下文过滤误匹配 #

如果仍存在少量误匹配，可以通过上下文逻辑进一步过滤：

• 标题下一行通常是正文（首字母小写或存在缩进）
• 标题长度不会过长（超过50字符的全大写行大概率是正文）

示例Python代码实现：

import re

def extract_chapters(doc_content):
    # 匹配标题的正则规则
    title_pattern = re.compile(r"^(CAPÍTULO|SEÇÃO|ARTIGO|PARÁGRAFO|ITEM|[\d.]+)\s+[A-ZÀ-ÚÇ\s\W]+$", re.MULTILINE)
    chapters = []
    lines = doc_content.split("\n")
    current_title = None
    current_content = []
    
    for line in lines:
        line = line.strip()
        if not line:
            continue
        # 检查当前行是否为标题
        if title_pattern.match(line):
            # 保存上一个章节的内容
            if current_title:
                chapters.append((current_title, "\n".join(current_content)))
                current_content = []
            current_title = line
        else:
            # 非标题行，归入当前章节内容
            if current_title:
                current_content.append(line)
    # 保存最后一个章节
    if current_title and current_content:
        chapters.append((current_title, "\n".join(current_content)))
    return chapters

# 调用示例
with open("processo_judicial.txt", "r", encoding="utf-8") as f:
    content = f.read()

extracted_result = extract_chapters(content)
for title, content in extracted_result:
    print(f"=== {title} ===")
    print(content[:200] + "...\n")

额外优化建议 #

• 使用pdftotext的-layout参数执行转换：pdftotext -layout input.pdf output.txt，保留PDF原格式布局，减少行错乱导致的匹配误差
• 对于格式复杂的文档，可结合PDF解析库（如pdfplumber、PyPDF2）直接获取文本的字体大小、加粗样式，标题通常具备更大字号或加粗属性，能实现更精准的区分

内容的提问来源于stack exchange，提问作者celsowm