我已经写了一个pdf到Excel转换器。 转换是由linux命令pdftohtml完成的，但有时它看起来很奇怪：
<b>1 </b><br>
In<br>
I t<br>
n r<br>
t o<br>
r d<br>
o u<br>
d c<br>
u t<br>
c i<br>
t o<br>
i n<br>
o <br>
<i>Headline1: </i>Text1 <br>
text<br>
<b>1.1 </b><br>
Pu<br>
P r<br>
u p<br>
r o<br>
p s<br>
o e<br>
s <br>
<i>Headline2: </i>Text2 <br>
text<br>
显然它应该是这样的：
<b>1 </b>Introduction<br>
<i>Headline1: </i>Text1 <br>
text<br>
<b>1.1 </b>Purpose<br>
<i>Headline2: </i>Text2 <br>
text<br>
我使用了多种方法，例如获取最后一个字符，稍后通过
连接<b>((?:[\d]+)(?:[.][\d]+)*)\s*</b><br>\s(\w{2})<br>\s(\w\s(\w)+<br>\s)*(\w)\s\s<br>\s<i>
但这不会返回每个字母。所以什么是错的，为什么不归还这不是所有的比赛？
我还尝试更换<br>和</b>之间的每个<i>标记
(?=</b>.*)(<br>)(?=.*<i>)
但它也很有效。
这些方法是对还是有更好的方法？