正则表达式非贪婪量词 .*?没有按预期工作

Question

我正在尝试创建一个正则表达式来匹配以下字符串中的“section 2 foo 2019 foo”（一个最小的例子，不是真实的）：

section 1 bar bar section 2 foo 2019 foo section 3 bar 2021 bar end 

（字符串“section”，后跟数字，后跟任意文本，后跟 4 位数年份，再后跟任意文本）

我最初的想法是使用非贪婪量词和一个捕获组和一个非捕获组，如下所示：

(section [0-9]{1}.*?(19|20)[0-9]{2}.*?)(?:section)

但是，这将为捕获组生成以下匹配项：

section 1 bar section 2 foo 2019 foo

所以，它也匹配第 1 部分，我想排除它。

经过一些背景阅读，我明白这里的问题是“非贪婪”实际上并不意味着“匹配最短的可能字符串”，而是意味着“匹配从左到右读取的最短可能字符串而不回溯”。

这里有一些关于这个问题的答案，但我仍在努力为这个特殊情况找到正确的正则表达式。我尝试使用具有负前瞻的非捕获组，如下所示：

section [0-9]{1,2}(?:(?!section [0-9]{1}).).*(?!202[1-9]{1})[0-9]{4} .*?

但这仍然会匹配第一个不需要的部分，出乎意料。 知道我的想法可能错在哪里吗？

Answer 1

这里的问题是，使用.*? 作为“任何”文本部分仍然有可能匹配匹配或不匹配的部分，直到找到一个结束年份。您尝试使用回火点的最终正则表达式在正确的轨道上。考虑这个版本：

\bsection \d+ (?:(?!\bsection \d+).)*?(?:19|20)\d{2}\b

Demo

解释：

\bsection \d+             match "section" followed by a number and space
(?:(?!\bsection \d+).)*?  match any content, without crossing over to another section
(?:19|20)\d{2}\b          match a 4 digit year