自定义Markdown标记正则匹配需求：捕获最内层*标记的问题排查

你的核心需求是捕获最内层的未转义*或_标记，同时忽略外层嵌套的标记、转义的标记字符，以及不完整的标记。原正则的问题在于额外添加了(?<!_[*])环视，错误排除了标记前是另一种类型标记的情况（比如_*...*_里的*前面是_，被正则排除），同时没有正确限制标记内部的内容。

解决方案正则 #

(?<!\\)([*_])((?:\\.|[^*_])*?)(?<!\\)\1

正则详细解释 #

我们拆解一下这个正则的各个部分：

1. (?<!\\)：负向环视，确保当前匹配的*或_不是转义的（前面没有反斜杠）。
2. ([*_])：捕获分组1，记录当前匹配的标记类型（*或_），用于后续匹配闭合标记。
3. ((?:\\.|[^*_])*?)：非贪婪匹配标记内部的内容：
   • \\.：匹配任何转义字符（包括\*、\_这类转义的标记字符，它们会被视为普通文本）。
   • [^*_]：匹配除了*和_之外的所有普通字符，确保标记内部没有其他未转义的标记（保证这是最内层标记）。
   • *?：非贪婪量词，避免过度匹配到后续的标记。
4. (?<!\\)\1：匹配与分组1一致的闭合标记，同样确保它不是转义的。

测试你的案例 #

1. 应捕获场景：*test1\*test2*
   • 正则会完整匹配*test1\*test2*，分组2内容为test1\*test2，符合预期。
2. 应捕获场景：_*test1\*test2*_
   • 正则会跳过外层的_..._（因为其内部包含*标记），精准捕获内层的*test1\*test2*，符合预期。
3. 不应捕获场景：*_test1\*test2_* some random text *
   • 正则会捕获内层的_test1\*test2_（这才是真正的最内层标记），而外层的*_test1\*test2_*因内部包含_标记会被忽略；末尾单独的*因没有闭合标记，不会被匹配，完全符合你的需求。

额外说明 #

如果你的自定义规则允许标记内部包含另一种类型的标记（比如允许*test_test*这样的内容，不把内部的_视为标记），可以把正则的中间部分调整为((?:\\.|(?!\1)[^*_])*?)，这样：

• (?!\1)[^*_]会允许内部出现与当前标记不同类型的字符（比如当前标记是*时，允许内部出现_），但仍然禁止出现同类型的未转义标记，保证最内层属性。

内容的提问来源于stack exchange，提问作者T. Razvan