使用PowerShell拆分段落中1-2位数字及HTML转Word上标引用处理

我来帮你搞定这两个PowerShell任务，分两部分详细说明：

一、拆分段落中的1-2位数字 #

要提取或拆分段落里的1-2位数字，正则表达式是最直接的方式，这里提供两种常用场景的实现：

1. 提取所有1-2位数字 #

如果只需要把段落里符合条件的数字单独提取出来，可以用[regex]::Matches：

# 示例段落
$testParagraph = "这是一段包含数字12、3的测试文本，还有45和6的例子"

# 匹配所有1-2位独立数字（\b确保是完整数字，避免匹配长数字的部分）
$extractedNumbers = [regex]::Matches($testParagraph, '\b\d{1,2}\b') | ForEach-Object { $_.Value }

# 输出结果
$extractedNumbers

运行后会得到：12, 3, 45, 6

2. 拆分段落为文本与数字的混合数组 #

如果需要把段落拆分成普通文本和数字交替的数组（方便后续处理），可以用带捕获分组的Split：

# 拆分段落，括号捕获数字分组，Split会保留匹配的数字
$splitSegments = [regex]::Split($testParagraph, '(\b\d{1,2}\b)')

# 输出拆分后的片段
$splitSegments

运行后结果是：这是一段包含数字, 12, 、, 3, 的测试文本，还有, 45, 和, 6, 的例子

二、HTML转Word并设置上标引用 #

要实现HTML文本解析并生成带格式上标的Word文档，我们可以结合正则匹配上标内容和Word COM对象操作来完成。以下是完整的实现思路和代码：

实现步骤说明 #

1. 解析HTML中的段落内容
2. 启动Word应用并新建文档
3. 遍历每个段落，拆分普通文本和上标引用
4. 对引用部分单独设置上标格式

完整代码示例 #

# 示例HTML内容（替换成你的实际HTML文本）
$htmlContent = @"
<p>这是第一段测试文本<sup>1</sup>，包含单个数字的上标引用</p>
<p>第二段文本<sup>12</sup>，同时还有<sup>3</sup>多个上标</p>
"@

# 初始化Word应用
$wordApp = New-Object -ComObject Word.Application
$wordApp.Visible = $true # 设为true方便实时查看效果
$targetDoc = $wordApp.Documents.Add()
$selection = $wordApp.Selection

# 提取HTML中的所有段落（这里用正则匹配p标签，若需更精准可使用HtmlAgilityPack等工具）
$paragraphs = [regex]::Matches($htmlContent, '<p>(.*?)</p>') | ForEach-Object { $_.Groups[1].Value }

# 遍历每个段落处理
foreach ($para in $paragraphs) {
    # 拆分段落：匹配<sup>包裹的1-2位数字，捕获分组保留上标内容
    $contentParts = [regex]::Split($para, '(<sup>(\d{1,2})</sup>)')
    
    foreach ($part in $contentParts) {
        if ([string]::IsNullOrWhiteSpace($part)) { continue }
        
        # 判断当前片段是否为上标引用
        if ($part -match '<sup>(\d{1,2})</sup>') {
            $refNumber = $matches[1]
            # 插入引用数字
            $selection.TypeText($refNumber)
            # 设置上标格式
            $selection.Font.Superscript = $true
            # 恢复正常格式，避免后续文本继承上标
            $selection.Font.Superscript = $false
        } else {
            # 插入普通文本
            $selection.TypeText($part)
        }
    }
    # 段落结束，插入换行
    $selection.TypeParagraph()
}

# 可选：保存文档（取消注释即可使用）
# $savePath = "C:\Your\Save\Path\output.docx"
# $targetDoc.SaveAs($savePath)
# $targetDoc.Close()
# $wordApp.Quit()
# 释放COM对象，避免内存泄漏
# [System.Runtime.Interopservices.Marshal]::ReleaseComObject($wordApp) | Out-Null

适配纯文本引用的修改 #

如果你的文本里不是HTML的<sup>标签，而是类似[1]、[12]的纯文本引用，可以把正则匹配规则改成：

# 匹配[数字]格式的引用
$contentParts = [regex]::Split($para, '(\[(\d{1,2})\])')
# 后续判断改为
if ($part -match '\[(\d{1,2})\]') {
    $refNumber = $matches[1]
    # ... 同上设置上标
}

内容的提问来源于stack exchange，提问作者McKenning