求助：Java中使用正则表达式拆分HTML字符串并保留分隔符的实现方案

嘿，我完全懂你现在的困惑——Java的正则后顾断言确实有个坑：它不支持无限长度的后顾断言，这就是你用那个包含*的后顾表达式报错的原因。不过咱们有更稳妥的办法实现你想要的拆分效果，把转义后的HTML标签和纯文本彻底分开，方便后续翻译再重建原字符串。

方案一：用匹配代替拆分（推荐） #

与其纠结拆分的断言限制，不如直接匹配所有转义后的标签，同时提取标签之间的纯文本。这种方式更直观，也不会受正则断言的限制。

代码示例 #

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class HtmlTokenSplitter {
    public static void main(String[] args) {
        String original = "<b>hello!</b><br><br><b><u>this is an example</u></b><br>";
        // 正则匹配转义后的HTML标签：以<开头，>结尾，中间是除了>之外的内容
        Pattern tagPattern = Pattern.compile("<[^>]+>");
        Matcher matcher = tagPattern.matcher(original);

        int lastPosition = 0;
        while (matcher.find()) {
            // 提取当前标签之前的纯文本（如果非空）
            String textSegment = original.substring(lastPosition, matcher.start()).trim();
            if (!textSegment.isEmpty()) {
                System.out.println(textSegment);
            }
            // 输出匹配到的标签
            System.out.println(matcher.group());
            // 更新位置，处理下一段内容
            lastPosition = matcher.end();
        }
        // 处理最后一段可能存在的纯文本
        String finalText = original.substring(lastPosition).trim();
        if (!finalText.isEmpty()) {
            System.out.println(finalText);
        }
    }
}

输出结果 #

运行这段代码后，你会得到完全符合预期的输出：

<b>
hello!
</b>
<br>
<br>
<b>
<u>
this is an example
</u>
</b>
<br>

为什么你的后顾断言会报错？ #

Java的正则引擎（Oracle官方实现）对后顾断言有严格的长度限制：它只允许固定长度或者有限范围的变长（比如(?<=.{1,100})），而你写的(?<=<(“[^”]*”|'[^’]*’|[^'”>])*>)里的*是无限重复，引擎无法确定这个后顾组的最大长度，所以直接抛出了"Look-behind group does not have an obvious maximum length"的错误。

后续建议 #

拆分完成后，你可以遍历所有token：

• 遇到纯文本时，调用翻译API进行转换
• 遇到标签时直接保留
  最后按原顺序拼接所有token，就能完整还原出翻译后的富文本内容啦。

内容的提问来源于stack exchange，提问作者booky99