正则表达式可分层修复pdf导出文本的非语义换行：先识别合并伪换行（如infor-\n mation），再清理空白行并合并语义连续段落，接着修复列表与表格结构错位，最后通过白名单、分段处理和校验模式避免过度合并。
PDF 文本导出后常因排版折行产生大量非语义换行符（如单词中间断开、段首缩进被拆成空行、表格列间换行等），正则表达式可高效识别并修复这类冗余换行，但需结合文本结构特征分层处理，不能简单全局替换 \n。
识别并合并“伪换行”：保留段落逻辑，消除折行断裂
导出文本中常见“单词被截断+换行+续写”（如 infor-\n mation）或“短句被不合理拆行”（如 The quick\n brown fox）。这类换行无标点结尾，且下一行首字母小写（或为数字/符号），属于典型冗余换行。
推荐正则模式：(?
说明：匹配前面不是句末标点/空白、后面紧跟小写字母/数字/左括号/引号/不间断空格的换行符。
替换为单个空格（ ），避免粘连。注意需启用多行模式（re.MULTILINE 或 flags=re.M）。
保留真实段落分隔，过滤“空行+缩进”类噪声
PDF 中常出现由空行、大量空格或制表符构成的“假段落分隔”，实际内容仍属同一段（如首行缩进被转为前置空行）。应先清理此类空白行，再判断段落边界。
两步操作：
• 清理纯空白行：^\s*$ → 替换为空字符串（删除整行）；
• 合并被空行隔开但语义连续的行：匹配“非空行 + 一个或多个空行 + 非空行（且不以大写句首常见词开头）”，例如：([^\n]+)\n\s*\n(?![A-Z][a-z]{2,}\b|[A-Z]{2,}\b|\d+\.)\s*([^\n]+)
→ 替换为 \1 \2（中间加空格）。
修复列表与表格残留结构中的换行错位
导出文本中项目符号（•、-、1.）或表格列常被换行打散。需先锚定结构标记，再约束换行位置。
示例处理：
• 合并同一列表项内换行：(^[\s]*[-•\*\d\.]+\s+.*?)(?=\n[\s]*[-•\*\d\.]+\s+|\n\s*$|\Z)（配合 re.DOTALL）→ 提取完整项，内部换行转空格；
• 表格列对齐残留：若列间用固定空格/制表符分隔，可用 \t 或 [ ]{4,} 定位列边界，避免误删单元格内换行。
验证与兜底：避免过度合并，保留必要换行
盲目合并会破坏地址、诗歌、代码块等需换行的结构。建议：
• 预留白名单：对含 \n\n、或前后行均含大写专有名词/日期格式的换行，跳过处理；
• 分段处理：按空行切分段落后，对每段单独应用规则，避免跨段误连；
• 最终校验：替换后扫描 [a-z]\n[A-Z] 类模式（小写词尾接换行加大写），提示可能存在的未修复断裂，供人工复核。
