开发node js解析PDF考试评分方案时，如何编写regEx捕获层级编号内容块

核心规则匹配逻辑 #

针对这类带层级括号编号的评分文本，正则需要同时满足两个核心要求：

1. 精准识别合法的层级编号（兼容(a)、(b)、(i)、(iii)、(a) (iii)这类组合式编号，同时避免把正文里的普通括号内容比如(solid)误判为编号）
2. 以编号为边界拆分文本块，每个块从当前编号开始，直到下一个同格式编号出现前的所有文本都归属当前块

可直接使用的正则表达式 #

/((?:\s*\([a-z]\)|\s*\([ivx]+\))+)\s*(.*?)(?=\s+(?:\([a-z]\)|\([ivx]+\))|\s*$)/gis

正则组成说明 #

• 第一捕获组（编号匹配部分）：
  • (?:\s*\([a-z]\)|\s*\([ivx]+\))+：支持连续组合的编号序列，比如样例中连写的(a) (iii)
  • \s*\([a-z]\)：匹配单字母类层级编号，如(a)、(b)
  • \s*\([ivx]+\)：匹配小写罗马数字类层级编号，如(i)、(iii)、(iv)
• 第二捕获组（内容匹配部分）：
  • .*?：非贪婪匹配规则，抓取从当前编号结束位置开始的所有文本，不会过度吞掉后续内容
• 边界断言部分：
  • (?=\s+(?:\([a-z]\)|\([ivx]+\))|\s*$)：正向先行定义当前块的结束位置，要么是遇到下一个符合规则的合法编号，要么是整个文本的末尾，不会把下一个编号的内容纳入当前块
• 匹配标记说明：
  • g：全局匹配所有文本块
  • i：兼容偶尔出现的大写字母/大写罗马数字编号
  • s：允许.匹配换行符，适配多行排版的评分文本

误判规避说明 #

由于合法编号的括号内仅包含单字母或i/v/x组成的罗马数字，样例中正文出现的(solid)、(water/solution/liquid)这类带多字符普通文本的括号内容，完全不匹配编号的字符规则，不会被误判为拆分边界。

Node.js 端使用示例 #

// 导入解析得到的PDF文本
const scoreSchemeText = `(a) (iii) Separation of solid
Filter to obtain solid/precipitate
Requires realisation that solid is filtered off.
Solid may be stated within in ‘removal of water’
Removal of water
Dry (solid)
OR Evaporate (water/solution/liquid)
2 ALLOW
Removal of water
Evaporate/ distil water/solution/liquid 
IGNORE ‘distil’ if product OR H2 is distilled
Collection of remaining solid 
Requires realisation that solid remains
IGNORE ‘Leave to crystallise’ (already solid)
(a) (iv) Formula`;

// 初始化拆分逻辑
const blockRegex = /((?:\s*\([a-z]\)|\s*\([ivx]+\))+)\s*(.*?)(?=\s+(?:\([a-z]\)|\([ivx]+\))|\s*$)/gis;
const parsedResult = [];
let match;

while ((match = blockRegex.exec(scoreSchemeText)) !== null) {
  parsedResult.push({
    nodeId: match[1].trim(),
    nodeContent: match[2].trim()
  });
}

/**
 * parsedResult 输出结果：
 * 1. nodeId: "(a) (iii)"，nodeContent: 从"Separation of solid"到"(already solid)"的全部评分说明
 * 2. nodeId: "(a) (iv)"，nodeContent: "Formula"
 */

后续适配调整提示 #

• 如果遇到大写罗马数字的编号格式，仅需将正则中罗马数字的字符类[ivx]修改为[ivxIVX]即可兼容
• 如果需要支持其他格式的层级编号（比如带圈的数字、大写字母开头的编号），仅需在第一捕获组的匹配规则中新增对应字符的匹配分支，不需要改动边界断言的核心逻辑
• PDF解析输出的文本如果存在多余行首空格、制表符，正则中内置的\s*已经做了兼容，无需额外预处理

内容的提问来源于stack exchange，提问作者Ace Rimmer