如何用正则正向前瞻与反向引用移除文本中重复未知名称？

现有正则与问题 #

当前使用的正则表达式：

((\S(?!\.|por |, | se | que ).)*(Inc|LLC).((?!\.|por |, | se | que ).)*|\d?\D*\d{4}\D?\d{4})(?=.*?\1)

目标是匹配文本中重复出现的未知名称（这类名称通常像页眉、页脚或标题一样多次出现），但存在以下问题：

• 无法匹配所有重复项（例如测试文本的最后一行未被匹配）
• 需遵守规则：仅出现一次的“名称”不匹配，包含.、por 、, 、 se 、 que 的片段也不匹配，且必须仅用正则实现。

问题分析 #

现有正则仅覆盖了两类重复内容：带Inc/LLC的企业名称、含两组4位数字的卡号类字符串，但遗漏了不含上述特征的普通多词重复名称，这就是部分重复项未被匹配的核心原因。

改进后的正则表达式 #

((?:(?!\.|por |, | se | que ).)*(Inc|LLC)(?:(?!\.|por |, | se | que ).)*|\d?\D*\d{4}\D?\d{4}|(?:(?!\.|por |, | se | que )\S+(?:\s+(?!\.|por |, | se | que )\S+)+))(?=.*?\1)

正则说明 #

• 第一分支：匹配包含Inc/LLC且全程不包含被排除词的企业名称
• 第二分支：匹配含两组4位数字的卡号类字符串（兼容前后可能的非数字字符）
• 第三分支：匹配由多个不含被排除词的单词组成的普通名称（至少两个单词，减少单字重复的误匹配）
• 末尾(?=.*?\1)保证匹配的内容在后续文本中重复出现

内容的提问来源于stack exchange，提问作者Rafael Tan