正则表达式匹配缺失引号字幕失败问题排查与修复

问题场景 #

字幕文件中，[p]与[pp]之间的内容为字幕行，需匹配其中仅含一个引号（存在引号缺失）的行。使用正则表达式：

(?<=\[p\])(?!(?:\d{2}\:\d{2}\:\d{2},\d{3} --> \d{2}\:\d{2}\:\d{2},\d{3}))([^\&quot;]+?\&quot;[^\&quot;]+?)(?=\[pp\])

在安卓QuickEdit应用搜索时，选中内容不仅包含目标行，还附带[pp]及上一行内容。

异常原因 #

1. 跨行匹配未受限：QuickEdit默认正则引擎支持多行模式，原正则未限制换行符匹配，导致[^\"]+?可能跨越行边界，将上一行内容及[pp]纳入匹配范围。
2. 位置断言不精确：(?<=\[p\])仅匹配[p]之后的位置，但未明确[p]与目标字幕行的换行分隔；(?=\[pp\])同理，未限定[pp]前的换行，导致正则可能将[pp]前的换行及其他内容一并匹配。
3. 非贪婪匹配的不确定性：+?非贪婪匹配在无明确边界限制时，可能无法精准终止，扩大匹配范围。
4. 负向预查位置冗余：原负向预查的非捕获组包裹多余，且未与行起始位置绑定，无法有效排除时间戳行。

修复方案 #

调整后的正则表达式（针对普通引号"）： #

(?<=\[p\]\n)(?!\d{2}:\d{2}:\d{2},\d{3} --> \d{2}:\d{2}:\d{2},\d{3})([^"\n]*"[^"\n]*)(?=\n\[pp\])

针对HTML实体引号"的版本： #

(?<=\[p\]\n)(?!\d{2}:\d{2}:\d{2},\d{3} --> \d{2}:\d{2}:\d{2},\d{3})([^\&quot;\n]*\&quot;[^\&quot;\n]*)(?=\n\[pp\])

关键调整说明： #

• 明确行分隔：在正向断言中加入\n，即(?<=\[p\]\n)和(?=\n\[pp\])，确保目标行严格位于[p]下一行、[pp]上一行，避免跨行匹配。
• 限制单行匹配：用[^"\n]*（或[^\"\n]*）替代原非贪婪匹配，确保仅匹配当前行内容，且排除引号和换行符，精准定位仅含一个引号的行。
• 简化负向预查：去掉多余的非捕获组，直接匹配时间戳格式，确保排除字幕中的时间戳行。
• 替换非贪婪匹配：使用贪婪匹配*替代+?，在明确边界限制下，贪婪匹配更高效且匹配结果更稳定。

内容的提问来源于stack exchange，提问作者MaydayUniversal