regex - 如何修复 OCR 目录中中间有数字的断线？

Question

ORC 目录中有一些断行，在 \t 之后和 \n 之前可能有编号，也可能没有编号。

输入:

    9.1 The Euclidean Group in Two-Dimensional  152
    Space E2
CHAPTER 10: THE LORENTZ AND POINCARÉ GROUPS,    
    AND SPACE-TIME SYMMETRIES   173

如果一个数字夹在两个字母之间(示例中为 152)，则它是上一节的页码，应删除。如果后面是另一个数字(下一节的编号)，则它是正确的页码(此处为 173)，应保留。这是所需的输出:

    9.1 The Euclidean Group in Two-Dimensional Space E2
CHAPTER 10: THE LORENTZ AND POINCARÉ GROUPS, AND SPACE-TIME SYMMETRIES  173

我的尝试:

([a-zA-Z])(\t[0-9]*\n\t)((?![P])[A-Z])

但 npp 一直说找不到文本，尽管它在 https://www.regextester.com 中工作正常。 。如何将其修复为正常？

Answer 1

您可以使用

(\S)\t[0-9]*\R\t+

并替换为 $1(第 1 组值占位符)。

详细信息

• (\S) - 第 1 组:任何非空白字符
• \t - 一个选项卡
• [0-9]* - 0+ 位
• \R - 换行序列
• \t+ - 1 个或多个制表符(或 \h+ - 1+ 水平空格)

REGEX DEMO