如何修改Java正则表达式以将多行笔记内容捕获到单个捕获组？

在我的应用中，提取的笔记格式如下：

****************************
Example noteText 
krishna  2023-05-16T11:29:59Z

****************************

*****************************
Example notes for testing
Extension of the same notes

2023-05-16T11:36:03Z
******************************

需要将这些笔记转换为指定格式的JSON，预期结果如下：

[
  {
    "timestamp": "2023-05-16T11:29:59Z",
    "userid": "krishna",
    "content": "Example noteText"
  },
  {
    "timestamp": "2023-05-16T11:36:03Z",
    "userid": "krishna",
    "content": "Example notes for testing  Extension of the same notes"
  } 
]

我当前用Java正则表达式实现，但无法把多行笔记内容捕获到单个分组里，导致一条多行笔记被拆成多条记录。

代码 #

Pattern notesPattern = Pattern.compile(
    "(?:\\*{25}\\r\\n)" +
    "(?<date>[\\w\\s:]+?)" +
    "\\r\\n" +
    "(?<userid>\\w+?)" +
    "\\r\\n" +
    "(?:\\*{25}\\r\\n)" +
    "(?<content>.+)" + // Note content is captured here
    "(?:\\r\\n\\r\\n)?");

当前输出 #

[
  {
    "timestamp": "2023-05-16T11:29:59Z",
    "userid": "krishna",
    "content": "Example noteText"
  },
  {
    "timestamp": "2023-05-16T11:36:03Z",
    "userid": "krishna",
    "content": "Example notes for testing "
  },
  {
    "timestamp": null,
    "userid": null,
    "content": "\\n\\nExtension of the same notes"
  }
]

问题根源是原正则的(?<content>.+)默认不匹配换行符，且未限定内容的终止边界。调整后的正则会启用多行匹配模式，并通过负前瞻锁定内容的结束位置，确保完整捕获多行笔记内容：

Pattern notesPattern = Pattern.compile(
    "(?:\\*{25,30}\\r?\\n)" + // 适配不同长度的星号分隔线
    "(?<content>(?:(?!\\r?\\n\\w+\\s+\\d{4}-\\d{2}-\\d{2}T).)+)" + // 捕获到用户+时间戳行前的所有内容
    "\\r?\\n" +
    "(?<userid>\\w+)" +
    "\\s+" +
    "(?<timestamp>\\d{4}-\\d{2}-\\d{2}T\\d{2}:\\d{2}:\\d{2}Z)" +
    "\\r?\\n\\s*" +
    "(?:\\*{25,30})",
    Pattern.DOTALL // 让.匹配换行符，支持多行内容捕获
);

核心调整点： #

1. 启用Pattern.DOTALL：让正则中的.可以匹配换行符，实现多行内容的捕获。
2. 负前瞻限定内容边界：(?!\\r?\\n\\w+\\s+\\d{4}-\\d{2}-\\d{2}T)确保内容部分只匹配到用户ID和时间戳行之前的所有文本，避免拆分记录。
3. 兼容分隔线长度：用\\*{25,30}适配示例中不同数量的星号分隔符。
4. 兼容换行格式：\\r?\\n同时支持Windows和Unix风格的换行符。

捕获到内容后，只需将内容中的换行符替换为空格，就能得到预期的JSON结构。

内容的提问来源于stack exchange，提问作者krishna lakshmi