本文介绍两种高效正则表达式方案，用于从含换行符的OCR文本中提取指定关键词（如“wc”）所在页面的页码——即紧邻 -wordpagefound: 后的数字，确保跨行匹配可靠、语义精确（要求 wc 为独立单词）。
本文介绍两种高效正则表达式方案，用于从含换行符的ocr文本中提取指定关键词（如“wc”）所在页面的页码——即紧邻 `-wordpagefound:` 后的数字，确保跨行匹配可靠、语义精确（要求 `wc` 为独立单词）。
在处理OCR识别后的文本时，常见结构如 -wordpagefound: 1 ... wc ... 可能被拆分到多行，导致普通正则因默认不匹配换行符而失效。核心挑战在于：既要跨越换行符定位关键词，又要精准捕获其前方最近的页码数字。
以下是两个经过验证的解决方案，均启用 s（dotall）和 i（ignorecase）修饰符，确保 . 可匹配包括换行符在内的任意字符，且不区分大小写：
✅ 方案一：捕获组提取（推荐初学者使用）
$pattern = '/-wordpagefound\D*(\d+).*?\bwc\b/si'; preg_match($pattern, $text, $matches); $pageNumber = $matches[1] ?? null; // 提取第1组：页码数字
- -wordpagefound：字面量匹配起始标识
- \D*：跳过任意非数字字符（如空格、冒号、换行）
- (\d+)：关键捕获组，匹配连续数字（页码）
- .*?：非贪婪匹配任意内容（含换行），直到……
- \bwc\b：确保 wc 是完整单词（避免匹配 wca 或 awc）
✅ 方案二：\K + 正向先行断言（更简洁，性能略优）
$pattern = '/-wordpagefound\D*\K\d+(?=.*?\bwc\b)/si'; preg_match($pattern, $text, $matches); $pageNumber = $matches[0] ?? null; // 整个匹配即为页码
- \K：重置匹配起点，丢弃此前所有已匹配内容
- \d+：直接匹配页码数字（无需捕获组）
- (?=.*?\bwc\b)：正向先行断言，仅校验后续存在 wc 单词，不消耗字符
⚠️ 注意事项：
- 必须添加 s 修饰符（PHP 中 preg_* 函数需显式传入 PREG_DOTALL 或在模式末尾加 s），否则 . 无法匹配换行符；
- 使用 \bwc\b 而非 wc，防止误匹配子串（如 wc123 或 awesome）；
- 若搜索词动态传入（如 $searchText），需用 preg_quote($searchText, '/') 转义特殊字符；
- 对于多处匹配，改用 preg_match_all 并检查 $matches[1]（方案一）或 $matches[0]（方案二）。
综上，方案一逻辑直观、易于调试；方案二语法精炼、结果直接。二者均能稳健应对OCR文本中常见的换行、空格、格式噪声，是处理此类页码定位任务的可靠实践。
