正则捕获组为空问题：联系人条目正则匹配异常排查

问题背景 #

我正在编写正则表达式，用来捕获格式如下的联系人条目中的各类信息：

LastName, FirstName I (Administrative)

test.test@test.com
999-999-9999 ext 1
999-999-9999
Active User

其中最后三行（第二个电话号码、用户状态、未确认标记）为可选内容，中间名首字母和电话分机号也为可选。目前遇到的问题是：当第二个电话号码存在时，正则匹配正常；但一旦该号码缺失，其后的捕获组（用户状态、未确认标记）就无法捕获到内容。中间名或分机号缺失不会影响后续组，为什么第二个号码缺失会导致这个问题？我的正则表达式如下：

([a-zA-Z-]+, [a-zA-Z-]+(?: \w)?)
 \((Technical|Administrative|CIO or Equivalent|Emergency)\)
\n\n([a-zA-Z0-9.!#$%&'*+/=?^_`{|}~-]+@[a-zA-Z0-9-]+(?:\.[a-zA-Z0-9-]+)*)
\n((?:\d{3}-\d{3}-\d{4})(?: ext \d{1,5})?)
\n((?:\d{3}-\d{3}-\d{4})?(?: ext \d{1,5})?)
((?:\nActive User|\nInactive User|\nNever Logged In)?)
((?:\nNot Confirmed)?)

问题原因 #

核心问题出在第二个电话号码组前的强制换行符。当第二个电话号码不存在时，正则依然会尝试匹配这个\n，导致它吃掉了用户状态行开头的换行符。

举个例子，当第二个号码缺失时，内容结构是：
[第一个电话号码]\nActive User
正则匹配完第一个电话号码后，会先匹配\n（第二个号码组的前置换行），然后第二个号码组因为是可选（末尾有?），直接匹配空内容。此时用户状态组的开头\n已经没有对应的字符可以匹配了，自然捕获不到Active User这类内容。

而中间名或分机号的可选是在组内部，没有强制的前置字符，所以不会影响后续匹配。

解决方案 #

把第二个电话号码的换行符+号码整体设为可选，避免单独强制匹配换行符。修改后的正则如下：

([a-zA-Z-]+, [a-zA-Z-]+(?: \w)?)
 \((Technical|Administrative|CIO or Equivalent|Emergency)\)
\n\n([a-zA-Z0-9.!#$%&'*+/=?^_`{|}~-]+@[a-zA-Z0-9-]+(?:\.[a-zA-Z0-9-]+)*)
\n((?:\d{3}-\d{3}-\d{4})(?: ext \d{1,5})?)
(?:\n((?:\d{3}-\d{3}-\d{4})(?: ext \d{1,5})?))?
((?:\nActive User|\nInactive User|\nNever Logged In)?)
((?:\nNot Confirmed)?)

关键修改点：

• 将原来的\n((?:\d{3}-\d{3}-\d{4})?(?: ext \d{1,5})?)改为(?:\n((?:\d{3}-\d{3}-\d{4})(?: ext \d{1,5})?))?
• 去掉了号码部分的?，因为整个换行+号码的区块已经是可选的，不存在时直接跳过，存在时必须匹配完整的电话号码格式（如果需要允许空号码可以保留?，但实际场景中可选行不存在就不会有这一行，所以没必要）

这样修改后，当第二个电话号码不存在时，整个(?:\n(...))?部分匹配空，不会占用用户状态行的换行符，后续的用户状态和未确认标记组就能正常捕获内容了。

内容的提问来源于stack exchange，提问作者T.Rhodes