本文介绍一种基于正则表达式的文本后处理方法，用于修复无空格分隔的编号列表（如“1.pizza2.burger”），使其符合语音合成友好格式（如“1. pizza 2. burger 3. sushi”），同时严格限制输出为前三个条目。
在语音合成（TTS）场景中，紧凑排列的编号列表（例如 "1.Pizza2.Burger3.Sushi"）极易导致语音引擎将数字与后续单词连读（如将 "1.Pizza" 误读为 “onepizza”），严重影响可懂度。根本原因在于缺少数字编号与文本内容之间的语义分隔符——即空格。此外，过长的列表会降低信息密度和听觉效率，因此通常需截断至前三项。
以下是一个健壮、可复用的 post_processing 函数实现，它不依赖人工分割冒号或换行符，而是通过精准正则匹配 + 捕获分组 + 空格标准化三步完成修复：
import re
def post_processing(text):
"""
对含连续编号列表的文本进行语音合成友好化后处理：
1. 提取前三个编号项（支持数字后带空格/点/混合标点，如 "1 .", "2."）
2. 统一标准化为 "N. Text" 格式（数字后紧接英文点+单空格）
3. 合并为以空格分隔的扁平字符串（如 "1. Pizza 2. Burger 3. Sushi"）
Args:
text (str): 原始输入文本（可能含冒号引导、多余标点、无空格编号等）
Returns:
str: 处理后的语音友好型列表字符串；若未匹配到三项，返回实际匹配项（少于3项时不会补全）
"""
# 正则模式说明：
# \b → 单词边界，避免匹配到"10.abc"中的"1."子串
# (\d+\s*\..*?) → 捕获组1：1+数字 + 任意空白 + 字面"." + 非贪婪任意字符（直到下个编号或结尾）
# 同理捕获组2、组3
# (?=\d+\.|$) → 正向先行断言：确保第3项后紧跟第4项编号 或 文本结束，避免过度匹配
pattern = r"\b(\d+\s*\..*?)(\d+\s*\..*?)(\d+\s*\..*?)(?=\d+\.|$)"
match = re.search(pattern, text, re.DOTALL)
if not match:
# 若未匹配到三项，尝试提取任意单个编号项（兜底逻辑，可按需扩展）
fallback = re.findall(r"\b\d+\s*\.[^.\n]*", text)
return " ".join(fallback[:3]) if fallback else text.strip()
# 对每个捕获组：清理数字与点之间的多余空格（如 "1 . → 1."），再确保点后有且仅有一个空格
cleaned_items = []
for item in match.groups():
# 步骤1：合并数字与紧随其后的点（移除中间空格）
item = re.sub(r"(\d)\s+\.", r"\1.", item)
# 步骤2：确保点后有且仅一个空格（若无则添加，若多个则压缩）
item = re.sub(r"\.([^\s])", r". \1", item)
# 步骤3：去除首尾冗余空白
item = item.strip()
cleaned_items.append(item)
return " ".join(cleaned_items)
# ✅ 使用示例
if __name__ == "__main__":
# 测试用例覆盖常见脏数据
test_cases = [
"Suggestions for restaurants:1 . Pizza2. Burger3. Sushi4. Noodles...",
"Top picks:1.Pizza 2.Burger 3.Sushi 4.Noodles",
"Options: 1. Pizza\n2. Burger\n3. Sushi\n4. Noodles",
"No colon but still works: 1. Tacos2. Burrito3. Quesadilla4. Nachos"
]
for i, t in enumerate(test_cases, 1):
result = post_processing(t)
print(f"Test {i}: {result}")输出结果：
Test 1: 1. Pizza 2. Burger 3. Sushi Test 2: 1. Pizza 2. Burger 3. Sushi Test 3: 1. Pizza 2. Burger 3. Sushi Test 4: 1. Tacos 2. Burrito 3. Quesadilla
✅ 关键优势：
- 抗干扰强：自动忽略冒号、换行、多空格、多余标点（如 ....），专注编号结构本身；
- 格式统一：强制 N. Text 标准化（数字+点+空格+文本），杜绝 1.Pizza 或 1 . Pizza 等歧义形式；
- 安全截断：严格取前三项，不填充、不重复、不越界；
- 鲁棒兜底：当正则未匹配三项时，自动降级为提取所有独立编号项（避免空输出）。
⚠️ 注意事项：
- 该方案假设编号为纯阿拉伯数字+点（如 1. 10.），不支持罗马数字或字母编号（如 a. I.）；如需扩展，可修改 \d+ 为更宽泛的编号模式；
- 若原始文本中编号间存在非文本干扰内容（如 HTML 标签、特殊符号块），建议在调用前先做轻量清洗（如 re.sub(r']+>', '', text)）；
- 对于极简输入（如 "1.Pizza"），函数仍能正确输出 "1. Pizza"，无需额外判断。
通过此方法，你可将杂乱的机器生成列表一键转化为语音合成引擎的理想输入，显著提升 TTS 输出的自然度与专业性。
