PAYATHON 2026

如何使用 regex 进行多行匹配,并让后续部分可选且不被前面的部分吞并?

技术老齐

使用非贪婪匹配,并为每个章节指定结束边界:One 遇到 Two、Three 或文档末尾时停止,Two 遇到 Three 或文档末尾时停止,再把后两个分组设为可选。

如果章节顺序固定为 One → Two → Three,标题各占一行且没有前后空格,可以使用以下 PCRE 模式:

(?msx)
\A
(?<one>
    One\r?$ .*?
    (?= ^(?:Two|Three)\r?$ | \z )
)
(?<optional_two>
    ^Two\r?$ .*?
    (?= ^Three\r?$ | \z )
)?
(?<optional_three>
    ^Three\r?$ .*
)?
\z

每个命名分组都会捕获对应章节的标题和正文,包括换行符。

为什么加上 ? 后,前面的分组会吞掉后续章节?

原模式中的 [\w\W]+ 是贪婪匹配,会尽量匹配更多字符,包括换行符。当 Two 和 Three 都是必需分组时,引擎需要通过回溯给后面的分组留出内容,才能让整个表达式匹配成功。

把后两个分组改成可选后:

(?<one>One[\w\W]+)(?<optional_two>Two[\w\W]+)?(?<optional_three>Three[\w\W]+)?

第一个分组可以一直匹配到文档末尾。即使跳过后两个分组,整个表达式也能匹配成功,因此引擎不必回溯,把后续章节的内容留给它们。

只把 + 改成非贪婪的 +? 也不够。后面的分组可以跳过,如果没有结束约束,表达式可能只匹配文档开头的一小段就结束。

如何限制每个章节的范围?

one 的结束条件是:

(?= ^(?:Two|Three)\r?$ | \z )

这是正向先行断言,检查当前位置是否满足以下任一条件:

  • 后面是独占一行的 Two 或 Three 标题。
  • 已经到达文档末尾。

先行断言不消耗字符。因此,One 在 Two 标题前停止后,optional_two 仍然可以从这个标题开始匹配。

配合 .*?,one 会在第一个满足条件的位置停止。即使没有 Two,它也能在 Three 前停止。

optional_two 的结束条件只需检查 Three 或文档末尾:

(?= ^Three\r?$ | \z )

两个分组外面的 ? 表示整个章节可以不存在:

(?<optional_two>...)?
(?<optional_three>...)?

匹配示例

假设文档中缺少 Two:

One
第一章内容
Three
第三章内容

捕获结果为:

one:
One
第一章内容

optional_two:
未参与匹配

optional_three:
Three
第三章内容

该模式支持以下四种章节组合:

文档包含的章节 one optional_two optional_three
One、Two、Three One 章节 Two 章节 Three 章节
One、Two One 章节 Two 章节 未参与匹配
One、Three One 章节 未参与匹配 Three 章节
One One 章节 未参与匹配 未参与匹配

未参与匹配的分组,在不同语言的 API 中可能表现为 null、空字符串,或不返回对应的捕获项,读取时需要按所用 API 的规则处理。

使用时需要注意什么?

开头的 (?msx) 启用了三个选项:

  • m:让 ^ 和 $ 能匹配每一行的开头与结尾。
  • s:让 . 也能匹配换行符。
  • x:忽略模式中的排版空白,便于分行书写。

这里依靠 s 实现跨行匹配,用 m 识别独占一行的标题。原来的 [\w\W] 本身就能匹配换行,不需要 s。

\A 和 \z 分别限定文档开头和严格的文档末尾,避免表达式只匹配一个前缀就结束。这个模式要求文档直接从 One 开始;如果前面有说明文字,需要另外处理前导部分。

模式适用于 LF 或 CRLF 换行,标题后的 \r? 用于兼容 CRLF。标题必须占满整行,因此正文中的 Two examples 不会被识别为 Two 标题。如果标题允许前后有空格,需要相应调整标题规则。

.*? 中的 * 允许章节正文为空。如果正文中也可能出现独占一行的 Two 或 Three,仅凭当前文本格式就无法区分它们和真正的标题,需要增加标题标记、转义规则或其他结构信息。

备注:内容仅供参考。