本文详解如何通过带单行模式（s flag）的正则表达式，从含换行符的 OCR 原始文本中，可靠捕获 -wordpagefound: 后紧跟的页码数字，并确保该页码与目标关键词（如 wc）在逻辑上属于同一上下文块（支持跨行匹配）。
本文详解如何通过带单行模式（s flag）的正则表达式，从含换行符的 ocr 原始文本中，可靠捕获 `-wordpagefound:` 后紧跟的页码数字，并确保该页码与目标关键词（如 `wc`）在逻辑上属于同一上下文块（支持跨行匹配）。
在处理 OCR 识别后的文本时，一个常见挑战是：关键元信息（如 -wordpagefound: 1）与实际内容关键词（如 wc）常被换行符、空行或无关段落分隔。此时，普通正则默认不跨行匹配（. 不匹配换行符），导致 preg_match_all 失败。
核心解决方案：启用 s（PCRE_DOTALL）修饰符
该修饰符使 . 可匹配包括换行符在内的任意字符，从而实现真正的“全文上下文”匹配。以下是两个推荐正则模式及其适用场景：
✅ 推荐方案一：捕获组提取（清晰易维护）
$searchText = 'wc';
$pattern = '/-wordpagefound\D*(\d+).*?\b' . preg_quote($searchText, '/') . '\b/si';
if (preg_match($pattern, $file->text, $matches)) {
$page = (int)$matches[1]; // 例如：3
echo "关键词 '{$searchText}' 出现在第 {$page} 页";
}
- *`\D**：跳过-wordpagefound:` 后可能存在的空格、冒号、制表符等非数字字符；
- (\d+)：精确捕获连续数字（页码），避免误取其他数字（如 201135455）；
- *`.?+\b{$searchText}\b**：非贪婪匹配至首个完整单词（wc`），支持跨行；
- /si：s 启用单行模式，i 忽略大小写，适配 OCR 常见大小写混杂。
✅ 推荐方案二：\K 重置匹配起点（更高效，无捕获组）
$pattern = '/-wordpagefound\D*\K\d+(?=.*?\b' . preg_quote($searchText, '/') . '\b)/si';
if (preg_match($pattern, $file->text, $matches)) {
$page = (int)$matches[0]; // 直接获取匹配到的数字
}
- \K：丢弃此前所有已匹配内容，仅保留后续 \d+ 为最终匹配结果；
- (?=...) 正向先行断言：确保数字后存在目标词（不消耗字符），逻辑更严谨，避免因贪婪匹配导致错位。
⚠️ 关键注意事项
- 始终使用 preg_quote()：防止 $searchText 中含正则元字符（如 .、*、(）引发语法错误；
- *避免 `.无限制贪婪**：用.*?防止跨段落误匹配（如匹配到下一个-wordpagefound:`）；
- 单词边界 \b 不可省略：防止 wc 匹配到 wcd 或 awc 等子串；
- OCR 文本预处理建议：若换行异常频繁，可先用 str_replace(["\r\n", "\r"], "\n", $text) 统一换行符。
通过以上方法，您即可稳定、准确地从复杂 OCR 文本中提取结构化页码信息，为文档定位与内容解析提供可靠基础。
