为何gawk的match函数在该场景下返回空的捕获组a[1]？

我有一个57字节的UTF-8文本文件，可通过以下命令生成：

echo '3C6469763E3C6469763E5F3C2F6469763E5F3C68313E6162636465665F3C2F68313E5F3C2F6469763E3C6469763EF09F93853C2F6469763E0A' | xxd -r -p > input.txt

使用UTF-8兼容工具查看时，内容如下：

<div><div>_</div>_<h1>abcdef_</h1>_</div><div>📅</div>

我尝试提取_<h1>与_</h1>之间的内容，使用了如下gawk程序：

LC_ALL=en_US.utf8 gawk -vIGNORECASE=1 '{match($0, /^.*_<h1>(.*)_<\/h1>.*$/,a); print a[1]}' input.txt

疑问 #

为何该程序运行时a[1]为空？若移除IGNORECASE=1参数，或把正则表达式替换为/_<h1>(.*)_<\/h1>/，输出就正常（a[1]包含abcdef）。这些修改为何会影响当前场景的输出？

环境：Cygwin/MSYS2，gawk --version显示版本为5.1.0或5.2.2。

1. 原命令捕获组为空的核心原因 #

当开启IGNORECASE=1并使用^.*_<h1>(.*)_<\/h1>.*$正则时，整个正则表达式无法匹配输入行，导致捕获组数组a为空。

具体来说，在en_US.utf8 locale下开启IGNORECASE后，gawk会按照UTF-8字符的大小写等价规则处理匹配逻辑。而输入行末尾的emoji📅是4字节的多字节UTF-8字符，在gawk 5.1.0/5.2.2版本中，^（行首锚定）和$（行尾锚定）结合IGNORECASE模式时，正则引擎对行尾多字节字符的处理存在异常，使得整行匹配失败，自然无法提取捕获组内容。

2. 两种修改有效的原因 #

• 移除IGNORECASE=1参数：关闭大小写不敏感匹配后，gawk不再处理字符的大小写等价逻辑，对UTF-8多字节字符的匹配逻辑回归正常，^.*_<h1>(.*)_<\/h1>.*$可以正确匹配整行，捕获组成功提取目标内容。

• 替换正则为/_<h1>(.*)_<\/h1>/：去掉^和$锚定后，正则不再要求匹配整行，只需匹配行中存在的目标片段即可。此时即使开启IGNORECASE，正则引擎无需处理整行锚定与末尾多字节字符的交互逻辑，因此能正确匹配到_<h1>与_</h1>之间的内容，捕获组正常工作。

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