正则捕获组优化：忽略可选包裹标签提取类JSON文本内容

问题描述 #

我有一个类JSON语法的文件，需要从中提取指定行的内容。当前使用的正则表达式\s+{"\S+" "(<c(\S+)>)?(.+)"}，多数情况下能把目标文本提取到第二个捕获组，但碰到目标文本被<c(...)>和</c>这类可选标签包裹时，提取结果会附带</c>（比如text7会被提取成text7</c>）。现在需要修改正则，提取出不带标签的纯净目标内容，不考虑正则的速度或简洁性。

样本文件内容：

{"title_available" "text1"}
    {"title_value" "<c(20a601)>text2"}
    {"tags"
        {"all" "text3"}
        {"ignore" "text4"}
        {"chargeFactor" "text5 %1%"}
        {"resourceSpeed" "%1% text6"}
    }
    {"rules" "bla-bla-bla\n\n \"BLA\" bla-bla-bla."}
            {"id1" "<c(c3baae)>text7</c>"}

期望输出：

text1
text2
text3
text4
text5 %1%
%1% text6
bla-bla-bla\n\n \"BLA\" bla-bla-bla.
text7

解决方案 #

使用以下正则表达式，提取第一个捕获组的内容即可得到纯净文本：

\s+{"\S+" "(?:<c\(\S+\)>)?(.*?)(?:<\/c>)?"}

正则说明 #

• \s+：匹配行首的任意空白字符（空格、制表符等）
• {"\S+" "：匹配类JSON结构里的键部分（比如{"title_available" "）
• (?:<c\(\S+\)>)?：非捕获组，匹配可选的开头标签<c(xxx)>，?:表示该组不参与捕获，?表示这个标签是可选的
• (.*?)：核心捕获组（第一个捕获组），用非贪婪模式匹配中间的所有内容，避免把结尾的</c>包含进来
• (?:<\/c>)?：非捕获组，匹配可选的结尾标签</c>，同样不参与捕获且可选
• "}：匹配结构的结尾部分

测试验证 #

用这个正则匹配样本文件里的目标行，提取第一个捕获组的结果完全符合期望输出：

• 匹配{"id1" "<c(c3baae)>text7</c>"}时，捕获组1得到text7，不会附带</c>
• 匹配带换行和转义引号的{"rules" "bla-bla-bla\n\n \"BLA\" bla-bla-bla."}时，能完整保留原有的特殊字符

内容的提问来源于stack exchange，提问作者Nikita Smirnov