寻求可匹配含换行及多行结构的PDF教材选择题的正则表达式

问题场景 #

需要匹配PDF导出的选择题，题干可能跨多行，现有正则无法适配这种情况。示例题目结构如下：

1. What does cabotage refer to?
a. Domestic air services within a state
b. An international air carrier
c. A flight above territorial waters
d. Crop spraying
2. The Convention signed by the states relating to damage caused by foreign aircraft 
to persons and property on the ground is:
a. the Tokyo convention
b. the Rome convention
c. the Warsaw convention
d. the Paris convention.

原有正则的问题 #

你之前使用的\(\d+\.[^\n+]+\n(?:[ \t]*[a-zA-Z]\.[^\n]+\n)+[\s]*)\存在两个核心问题：

• 用[^\n]+限制了题干只能是单行，无法匹配跨多行的内容
• 多余的括号和转义符导致匹配逻辑混乱

解决方案正则 #

针对多行题干的场景，调整后的正则如下（需开启多行模式（m）和全局模式（g））：

^\d+\.[\s\S]+?(?=\n[ \t]*[a-zA-Z]\.)(?:\n[ \t]*[a-zA-Z]\.[^\n]+)+

正则各部分解释 #

• ^\d+\.：匹配行首的题号格式（数字+英文点），多行模式下^会匹配每一行的开头
• [\s\S]+?(?=\n[ \t]*[a-zA-Z]\.)：非贪婪匹配任意字符（包括换行符），直到遇到下一行以「空格/制表符+字母+英文点」开头的选项行（正向预查，不消耗匹配内容）
• (?:\n[ \t]*[a-zA-Z]\.[^\n]+)+：匹配一个或多个选项行，允许选项前有空格或制表符，每个选项行匹配到换行结束

效果说明 #

用该正则匹配示例题目时，会精准捕获两个完整题目：

1. 包含单行题干的第1题
2. 包含跨两行题干的第2题，以及对应的所有选项

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