如何使用高效PCRE表达式匹配多行中多相似惰性量词间的上下文？

针对你需要提取外层<div>与</div>之间所有内容（含嵌套<div>）的需求，推荐使用递归匹配的PCRE正则，它能精准处理嵌套结构，避免惰性匹配提前终止的问题，且在多行场景下效率更高。

最终正则表达式 #

/(?s)<div>\s*((?:(?!<div>|<\/div>).|<div>(?1)<\/div>)*)\s*<\/div>/

规则解释 #

• (?s)：开启DOTALL模式，让.可以匹配换行符，适配多行场景
• <div>\s*：匹配外层起始标签及后续空白（含换行）
• 核心捕获组((?:(?!<div>|<\/div>).|<div>(?1)<\/div>)*)：
  • (?!<div>|<\/div>).：匹配任意非<div>/</div>开头的字符，处理普通文本内容
  • <div>(?1)<\/div>：递归调用捕获组1的规则，匹配嵌套的<div>结构，支持任意深度的嵌套
  • *：重复匹配上述两种情况，覆盖外层标签内的所有内容
• \s*<\/div>：匹配外层结束标签及前面的空白（含换行）

为什么你的尝试不生效 #

• 基础表达式/(<div>)(.*?)(</div>)/：惰性匹配.*?会在遇到第一个</div>时立即终止，只能提取到第一个嵌套<div>之前的内容，无法覆盖后续内容
• 非捕获组表达式/(<div>)((?:<div>.*?</div>).*?)(</div>)/：仅能匹配单个嵌套<div>的场景，无法处理多个嵌套或更深层级的结构

使用说明 #

在PCRE兼容的工具/代码中，该正则的捕获组1即为你需要的期望结果，直接提取即可。

内容的提问来源于stack exchange，提问作者Michael Mikhjian