本文介绍如何使用php正则表达式精准提取ocr文本中关键词（如“wc”）所在页面的页码，重点解决换行符导致匹配失败的问题，并提供两种高效、可复用的正则方案。
本文介绍如何使用php正则表达式精准提取ocr文本中关键词（如“wc”）所在页面的页码，重点解决换行符导致匹配失败的问题，并提供两种高效、可复用的正则方案。
在处理OCR识别后的文本（如PDF或扫描件导出的纯文本）时，常需定位特定关键词（如“wc”）所在的页面编号。典型文本结构中，页码信息通常出现在类似 -wordpagefound: 1 的标记后，但关键词与该标记之间往往存在多行无关内容（如标题、空行、表格等），导致普通正则因默认不匹配换行符而失效。
要可靠提取“wc”所在页的数字（即 -wordpagefound: 后紧跟的数字），关键在于：启用单行模式（s修饰符）使 . 可匹配换行符，并合理设计匹配逻辑以避免误捕。
以下是两个经过验证的推荐正则方案：
✅ 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 = $matches[1] ?? null; // 如匹配成功，$matches[1] 即为页码
- -wordpagefound：字面匹配起始标记
- \D*：跳过任意非数字字符（含空格、冒号、换行等）
- (\d+)：捕获页码数字（核心目标）
- .*?\bwc\b：非贪婪匹配至单词边界内的 wc（避免匹配 wca 或 wc123）
- /si：s 使 . 匹配换行符；i 忽略大小写
✅ 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; // 直接获取匹配结果（无需索引[1]）
- \K：重置匹配起点，丢弃此前所有已匹配内容
- \d+：仅匹配页码数字本身
- (?=...)：正向先行断言，确保后续存在 wc，但不消耗字符
- 优势：结果直接是页码字符串，逻辑更清晰，避免捕获组索引错误
⚠️ 注意事项
- 务必使用 s 修饰符：这是跨行匹配的前提，缺失则 .*? 无法跨越换行符。
- 使用 \bwc\b 而非 wc：防止误匹配 wcd、awc 等非独立词。
- 避免贪婪陷阱：.* 应替换为 .*?（非贪婪），否则可能跨多个 -wordpagefound 区域导致错位。
- 预处理建议：若文本含大量空白行，可先 trim() 或 preg_replace('/\s+/', ' ', $text) 简化，但非必须。
? 实际调用示例
$searchText = 'wc';
$pattern = '/-wordpagefound\D*\K\d+(?=.*?\b' . preg_quote($searchText, '/') . '\b)/si';
if (preg_match($pattern, $file->text, $matches)) {
echo "关键词 '{$searchText}' 出现在第 {$matches[0]} 页";
} else {
echo "未找到关键词 '{$searchText}' 对应的页码";
}✅ preg_quote() 用于安全转义用户输入的 $searchText，防止特殊字符破坏正则结构。
综上，通过启用单行模式、合理运用 \D* 跳过干扰字符、结合 \K 或捕获组精准定位，即可稳定从复杂OCR文本中提取关键词所在页码——这既是正则基础能力的体现，也是实际文档分析场景中的关键技巧。
