如何编写PCRE正则表达式省略双引号子串并兼容无引号场景？

问题分析 #

你之前的两个正则存在的问题：

• 第一个正则 ^(.*?)(?:\".*\")?(.*)$：因为 .*? 是非贪婪匹配，正则引擎会优先让它匹配空字符串，直接跳过可选的引号部分，导致第二个 (.*) 捕获了整个字符串。
• 第二个正则 ^(.*?)(?:\".*\")(.*)$：强制要求字符串必须包含引号部分，所以无引号的输入直接匹配失败。

可行解决方案 #

方案1：精准限定前缀匹配（推荐）

使用 [^"]* 替代非贪婪的 .*?，确保前缀部分只匹配非引号字符，避免引擎的非贪婪逻辑导致的错误匹配：

^([^"]*)(?:"[^"]*")?([^"]*)$

• [^"]*：匹配所有非双引号字符，确保前缀一直匹配到第一个双引号（如果存在）。
• (?:"[^"]*")?：可选的引号包裹部分，[^"]* 精准匹配引号内的内容（避免贪婪匹配到字符串末尾的引号）。

测试验证：

~/ % pcretest
PCRE version 8.45 2021-06-15

  re> ^([^"]*)(?:"[^"]*")?([^"]*)$
data> aaa"bbb"ccc
 0: aaa"bbb"ccc
 1: aaa
 2: ccc
data> aaabbbccc
 0: aaabbbccc
 1: aaabbbccc
 2:

• 含引号的输入：组1捕获引号前内容，组2捕获引号后内容，拼接即可得到目标结果。
• 无引号的输入：组1捕获整个字符串，组2为空，直接取组1内容即可。

方案2：分支结构匹配

如果需要明确区分有/无引号的场景，可以用分支正则：

^(.*)"[^"]*"(.*)$|^(.*)$

• 第一个分支匹配含引号的字符串，捕获前后内容到组1、组2。
• 第二个分支匹配无引号的字符串，捕获整个内容到组3。

测试验证：

~/ % pcretest
PCRE version 8.45 2021-06-15

  re> ^(.*)"[^"]*"(.*)$|^(.*)$
data> aaa"bbb"ccc
 0: aaa"bbb"ccc
 1: aaa
 2: ccc
 3:
data> aaabbbccc
 0: aaabbbccc
 1:
 2:
 3: aaabbbccc

方案3：直接替换（如果不需要捕获组）

如果你的场景支持替换操作，直接替换掉引号包裹的部分更简洁：

# 示例：用sed执行替换
echo 'aaa"bbb"ccc' | sed -E 's/"[^"]*"//'
# 输出：aaaccc
echo 'aaabbbccc' | sed -E 's/"[^"]*"//'
# 输出：aaabbbccc

内容的提问来源于stack exchange，提问作者mortenbo