在Notepad ++中用正则表达式查找和替换标题标签

Question

有一本OCR扫描的书，还有一个将OCR的PDF转换成XML的工具，但是大多数XML标签是错误的，因此还有另一种工具可以修复它。 但是我需要从<h1>到<h5> ，1.和1.1断开行。 ＆1.1.1。 因此使用该工具很容易重新标记。

XML代码如下所示：

`<h1>text</h1><h2>text</h3><h3>text</h3>"

和

1.text.2.text.3.text.1.1.text.1.1.1.text 

而且我需要在记事本++中使用正则表达式来打破这样的界限。

<h1>text</h1>
<h2>text</h2>
<h3>text</h3>

和

1.text.
2.text.
3.text.

和

1.1.text.
1.1.1.text.

我使用</h1>\\s*来找到</h1>\\n但它只会破坏h1标签。 我需要破坏所有的“ H”标签和1.，2.，1.1。，1.1.1。 标签。

Answer 1

冒着被低估的风险，我认为解析器可能会更好地为您服务。 过去，当我不得不管理类似的任务时，我会编写一个小的脚本/程序来解析文件并根据需要重新编写。 首先解析xml，然后使用正则表达式重新格式化可能更容易实现目标。

Answer 2

: 您可以使用此搜索并替换 ：

search:  (?<!^)(<h[1-6][^<]*|(?<![0-9]\.)[0-9]+\.)
replace: \n$1

注意：如果你需要使用Windows换行，必须更改\\n与\\r\\n 。

图案细节：

(?<!^)   # not preceded by the begining of the string

(                         # open the capture group 1
    <h[1-6][^<]*          # <h, a digit between 1 to 6, all characters until 
                          # the next < (to skip all the content between
                          # h1, h2... tags) 
  |                     # OR
    (?<![0-9]\.)[0-9]+\.  # one or more digits and a dot not preceded by a digit
                          # and a dot 
)                         # close the capture group 1

$1是对捕获组1内容的引用