如何更新正则表达式以匹配多种格式的DOI（含链接、特殊字符）

适配的DOI格式 #

• 带空格或无空格的DOI标识：DOI: 10.xxxx...、DOI:10.xxxx...
• HTTPS/HTTP链接形式：https://doi.org/xxxx...、http://dx.doi.org/xxxx...
• 包含&符号的特殊DOI：例如DOI: 11.11111/aaa.111&1111&11

更新后的正则表达式 #

$pattern = '/(?:DOI: ?|https?:\/\/(?:dx\.)?doi\.org\/)([\w\/.&-]+)(?=\s|$|[,.!?;])/i';

正则说明

• (?:DOI: ?|https?:\/\/(?:dx\.)?doi\.org\/)：匹配所有可能的DOI前缀，非捕获组避免生成多余匹配结果
  • DOI: ?：兼容带空格或无空格的DOI标识写法
  • https?:\/\/(?:dx\.)?doi\.org\/：匹配HTTP/HTTPS开头的DOI链接，同时兼容dx.doi.org和doi.org两种域名
• ([\w\/.&-]+)：捕获DOI主体部分，允许字母、数字、下划线、斜杠、点、&、连字符，直接覆盖含&的特殊DOI场景
• (?=\s|$|[,.!?;])：正向预查规则，确保匹配到的DOI在空白、文本结尾或常见标点前停止，避免误捕获无关内容
• /i：忽略大小写，兼容doi:或Doi:等大小写变体

PHP代码示例 #

// 示例大文本
$text = "这里是包含多种DOI的测试文本：DOI: 10.1234/abc.567，https://doi.org/10.9876/def.012，DOI:11.11111/aaa.111&1111&11，http://dx.doi.org/10.5555/ghi.345";

// 正则匹配
$pattern = '/(?:DOI: ?|https?:\/\/(?:dx\.)?doi\.org\/)([\w\/.&-]+)(?=\s|$|[,.!?;])/i';
preg_match_all($pattern, $text, $matches);

// 提取到的所有DOI主体
$extractedDOIs = $matches[1];

// 输出结果
print_r($extractedDOIs);

运行后会输出所有符合格式的DOI，包括含&的特殊版本。

注意事项 #

• 如果文本中DOI后无明显分隔符，可适当调整正向预查规则（比如去掉标点限制），但可能会引入少量误匹配
• 若需要保留完整的DOI链接（如https://doi.org/10.xxx），只需去掉正则中的捕获组，直接匹配整个前缀+主体即可

内容的提问来源于stack exchange，提问作者palka tt