正则表达式移除非嵌套<mrow>标签首尾括号的问题排查

问题背景 #

需要从类似<mrow>(<mn>1000001</mn>)</mrow>的字符串中提取内部的<mn>1000001</mn>，要求仅处理非嵌套的<mrow>...</mrow>标签，同时移除标签首尾可能存在的括号。

最初使用的正则模式：

<mrow[^\>]*>\(?((?:(?!<mrow>[^\>]*>|<\/mrow>).)*)\)?<\/mrow>

预期替换结果为<mn>1000001</mn>，但实际得到<mn>1000001</mn>)，残留了右括号，处理复杂数学公式时该问题仍存在。

问题原因 #

原正则的核心问题在于贪婪匹配导致右括号被捕获组包含：

• 中间的捕获组(?:(?!<mrow>[^\>]*>|<\/mrow>).)*是贪婪模式，会尽可能匹配所有不触发负向预查的字符，包括末尾的右括号)
• 后面的\)?因为捕获组已经吃掉了右括号，没有可匹配的字符，所以无法移除这个括号

正确正则实现 #

调整正则结构，将可选括号移到捕获组前后，并使用非贪婪模式确保捕获组不会包含末尾的括号，同时增加空白处理提升鲁棒性：

<mrow[^>]*>\s*\(?\s*((?:(?!<mrow[^>]*>|</mrow>).)*?)\s*\)?\s*</mrow>

正则解析 #

• <mrow[^>]*>：匹配任意属性的<mrow>起始标签
• \s*\(?\s*：匹配可能的前置空白+可选左括号
• ((?:(?!<mrow[^>]*>|</mrow>).)*?)：非贪婪捕获内部内容，负向预查确保不匹配嵌套的<mrow>标签
• \s*\)?\s*：匹配可能的后置空白+可选右括号
• </mrow>：匹配结束标签

使用示例 #

以原字符串为例，替换时引用捕获组$1（不同语言可能用\1或其他语法），即可得到干净的<mn>1000001</mn>。

对于更复杂的公式如<mrow> ( <mn>123</mn> + <mn>456</mn> ) </mrow>，同样能正确提取<mn>123</mn> + <mn>456</mn>。

内容的提问来源于stack exchange，提问作者Xavier Junqué