正则表达式正向预查未按预期工作问题排查

问题背景 #

需要从以下URL中提取目标路径 /e670d0d1-bcf2-47f7-879b-64ab40600ff8-u1/mask_00005.png：

https://s3.us-east-005.backblazeb2.com/ph/e670d0d1-bcf2-47f7-879b-64ab40600ff8-u1/mask_00005.png?X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Credential=005dc68faa31bb70000000004%2F20240417%2Fus-east-1%2Fs3%2Faws4_request&X-Amz-Date=20240417T092401Z&X-Amz-Expires=604800&X-Amz-SignedHeaders=host&X-Amz-Signature=a82f66f63086597ab49651ba91edb31133875d64415ecb54317c8766df0b0950

使用正则 (?<=https:\/\/s3\.us-east-005\.backblazeb2\.com\/ph)(.*)(?=\?X-Amz-Algorithm) 测试后无结果，需排查原因并解决。

问题原因 #

1. 贪婪匹配的潜在冲突：.* 是贪婪模式，会尽可能匹配更多字符，部分正则引擎的匹配逻辑可能导致无法触发后续的正向断言。
2. 引擎兼容性问题：部分旧版正则引擎（如Python 2的re模块）不支持正向后行断言 (?<=...)，直接导致匹配失败。

解决办法 #

方案1：改用非贪婪匹配 #

将 .* 替换为 .*?，强制匹配到第一个符合断言的位置就停止：

(?<=https:\/\/s3\.us-east-005\.backblazeb2\.com\/ph)(.*?)(?=\?X-Amz-Algorithm)

方案2：使用捕获组替代断言（兼容性最佳） #

避免使用后行断言，改用捕获组直接提取目标内容，适配绝大多数正则引擎：

https:\/\/s3\.us-east-005\.backblazeb2\.com\/ph(.*)\?X-Amz-Algorithm

提取结果为捕获组1的内容。

方案3：简化正则逻辑（更灵活） #

直接匹配 /ph 后到第一个 ? 前的内容，无需依赖具体参数名，适配参数变化场景：

(?<=https:\/\/s3\.us-east-005\.backblazeb2\.com\/ph)(.*?)(?=\?)

或捕获组版本：

https:\/\/s3\.us-east-005\.backblazeb2\.com\/ph(.*?)\?

内容的提问来源于stack exchange，提问作者Calvin Kao