正则表达式可选捕获组问题：如何正确提取含可选字段的活动信息

问题场景 #

有一组活动数据，需要提取活动ID、活动名称、父活动ID三个字段，其中父活动ID为可选字段，数据格式示例如下：

1 - Activity 1
2 - Activity 2
3 - Activity 3 - child of Activity 1 - 1
4 - Activity 4 - 2
5 - Activity 5 - 1

最初用正则([0-9]*) - ([a-zA-Z0-9 \-]*) - ([0-9]*)无法匹配前两行无父ID的记录；修改为([0-9]*) - ([a-zA-Z0-9 \-]*)(?: - ([0-9]*))?后，虽能匹配所有行，但父ID会被混入活动名称的捕获组中——因为活动名称的匹配规则是贪婪的，会把后面的 - 数字也一并吞进去。

解决方案 #

核心思路是限制活动名称的匹配范围，避免它“吃掉”后面的父ID部分，同时锚定整行确保匹配完整。推荐两种实现方式：

方案1：非贪婪匹配（简洁高效）

使用非贪婪模式匹配活动名称，让正则在遇到后面的父ID分隔符时自动停止：

^([0-9]+) - (.*?)(?: - ([0-9]+))?$

各部分解释：

• ^/$：锚定行首和行尾，确保匹配整行内容，避免部分匹配
• ([0-9]+)：捕获活动ID，用+代替*保证ID是至少1位的有效数字
• -：匹配固定分隔符（注意前后空格）
• (.*?)：非贪婪捕获活动名称，尽可能少的匹配字符，直到遇到后面的 - 数字或行尾
• (?: - ([0-9]+))?：可选的非捕获组，内部捕获父活动ID，?表示该组可省略

测试后能正确对应所有示例：

• 无父ID的行：父ID捕获组返回空
• 有父ID的行：活动名称完整保留，父ID独立捕获

方案2：负向预查（精准控制）

如果需要更严格的规则，确保活动名称不会误包含结尾的 - 数字，可以用负向预查：

^([0-9]+) - ((?:(?! - [0-9]+$).)*)(?: - ([0-9]+))?$

这里(?:(?! - [0-9]+$).)*表示：匹配任意字符，但该字符后面不能是 - 数字+行尾的组合，从根源上避免活动名称吞掉父ID。

注意事项 #

• 不要用[a-zA-Z0-9 \-]*匹配活动名称，它无法覆盖活动名称中可能出现的特殊字符，用.*?或负向预查更通用
• 始终锚定^和$，防止正则匹配到行内的部分内容导致提取错误

内容的提问来源于stack exchange，提问作者Conor