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”），自动在数字编号与后续文字间插入空格，并严格限制输出为前三个条目，显著提升语音合成的自然度和可理解性。
在语音合成（TTS）场景中，未经格式化的编号列表常导致发音错误——例如 "1.Pizza2.Burger" 会被 TTS 引擎识别为连续单词 "1Pizza2Burger"，而非独立语义单元。根本原因在于编号（如 1.、2.）与后续文字之间缺少必要空格，且原始文本可能存在多余空白（如 1 . Pizza）或无分隔符粘连（如 2.Burger）。理想的修复效果应满足三点：
- ✅ 在每个编号后统一规范为 N. 格式（数字、英文点、单空格、文字）；
- ✅ 仅保留前三个有效条目；
- ✅ 彻底移除 URL 等干扰内容，确保输出简洁。
以下是一个鲁棒性强、逻辑清晰的 Python 实现方案：
import re
def post_processing(text):
"""
针对语音合成优化的列表后处理函数：
- 提取前3个编号项（支持不规则空格，如 "1 . Pizza"）
- 标准化编号格式（统一为 "N. 内容"，去除编号内冗余空格）
- 合并为单行字符串，项间以单空格分隔
- 清理 URL 及首尾空白
"""
# 步骤1：移除所有 URL（防止干扰匹配）
text = re.sub(r"https?://\S+", "", text)
# 步骤2：使用正则提取前3个编号项（支持 \d+\s*\.\s* 开头的片段）
# 模式说明：
# \b → 单词边界，避免匹配到 "10.abc" 中的 "1."
# (\d+\s*\.) → 编号部分：1+数字 + 任意空白 + 英文点（捕获组1）
# ([^.\n]*?) → 内容部分：非点/换行字符的最短匹配（捕获组2）
# (?=\d+\.|$) → 向前查找：下一项以数字+点开头，或已到字符串末尾
pattern = r"\b(\d+\s*\.)\s*([^.\n]*?)(?=\s*\d+\.|\s*$)"
matches = re.findall(pattern, text, re.DOTALL)
# 步骤3：取前3项，标准化格式（清理编号内空格，补足空格）
processed_items = []
for i, (num_part, content) in enumerate(matches[:3]):
# 清理编号：如 "1 ." → "1."
clean_num = re.sub(r"\s+", "", num_part) # 移除编号内所有空白
# 清理内容：去首尾空，删可能残留的标点（如结尾多个点）
clean_content = content.strip().rstrip(".")
# 组合成标准项："1. Pizza"
item = f"{clean_num} {clean_content}" if clean_content else clean_num
processed_items.append(item)
# 步骤4：用单空格连接所有项，并全局清理多余空格
result = " ".join(processed_items)
result = re.sub(r"\s+", " ", result).strip()
return result
# 测试示例
text = "Suggestions for restaurants:1 . Pizza2. Burger3. Sushi4. Noodles... https://example.com"
print(post_processing(text))
# 输出：1. Pizza 2. Burger 3. Sushi关键设计说明：
- 更健壮的匹配逻辑：相比原答案中依赖固定三组捕获的正则，本方案采用 re.findall() 配合非贪婪匹配 [^.\n]*?，能准确切分任意长度的粘连列表（包括 1.Pizza2.Burger 或 1 . Pizza2. Burger），不受中间空格数量影响；
- 精准截断控制：matches[:3] 显式限制仅处理前三个匹配项，避免因正则贪婪性导致遗漏或越界；
- 防御性清洗：re.sub(r"\s+", " ", result) 确保最终输出无多余空格，rstrip(".") 防止内容末尾残留省略号干扰发音；
- URL 预处理前置：在正则匹配前移除 URL，避免其干扰编号模式识别（如 https://site.com/1.abc 中的 1. 被误捕）。
注意事项：
⚠️ 若输入中编号非连续（如跳过 2. 直接出现 3.），本方案仍按实际匹配顺序取前3个，符合“前三个建议”的业务需求；
⚠️ 对于中文编号（如 一、、①）或字母编号（a.），需扩展正则模式，当前方案专为阿拉伯数字编号（\d+.）优化；
⚠️ 若原始文本不含任何编号项，函数将返回空字符串，建议调用方增加空值判断逻辑。
通过该方案，开发者可一键解决 TTS 场景中最常见的列表发音失真问题，在保持代码简洁的同时，兼顾准确性、可维护性与语音友好性。
