如何在Java中使用正则表达式提取含指定表达式的段落

问题背景 #

需要提取包含指定单词（如dignissim）的完整段落，现有段落正则在复杂文本中匹配结果不符合预期，且需兼容APA格式引用（如p. X）。

修正后的正则代码 #

场景1：纯文本（段落以换行符分隔）

如果处理的是已去除HTML标签的纯文本，段落间以换行符（\n或\r\n）分隔，使用以下正则：

public static final String regexParagraph(String wordToSearch) {
    String regexParagraphString = "(?<=^|\\n)(?:(?!\\n|p\\.).)*?\\b" + wordToSearch + "\\b(?:(?!\\n).)*?(?=\\n|$)";
    return regexParagraphString;
}

场景2：原始HTML文本（段落以<p>标签包裹）

如果直接处理带<p>标签的HTML内容，使用以下正则：

public static final String regexParagraph(String wordToSearch) {
    String regexParagraphString = "<p>(?:(?!</p>).)*?\\b" + wordToSearch + "\\b(?:(?!</p>).)*?</p>";
    return regexParagraphString;
}

正则逻辑说明 #

纯文本场景正则解析

• (?<=^|\n)：正向预查，确保匹配起始于文本开头或段落分隔换行符之后
• (?:(?!\n|p\.).)*?：非贪婪匹配任意字符，跳过APA引用的p.，避免误将其当作段落结束标记
• \b" + wordToSearch + "\b：精确匹配目标单词的完整词边界，避免部分匹配
• (?:(?!\n).)*?：非贪婪匹配到下一个段落分隔换行符前的所有内容
• (?=\n|$)：正向预查，确保匹配结束于换行符或文本末尾

HTML场景正则解析

• <p>：匹配段落起始标签
• (?:(?!</p>).)*?：非贪婪匹配<p>标签内的内容，直到遇到</p>结束标签，避免跨段落匹配
• \b" + wordToSearch + "\b：精确匹配目标单词
• </p>：匹配段落结束标签

原正则失效原因 #

1. 仅依赖.\n作为段落边界，复杂文本中换行符可能出现在段落内部，导致匹配截断或跨段
2. 未处理APA引用的p.标识，可能误将其识别为段落结束的一部分
3. 未正确处理文本开头/结尾的段落边界，导致边缘段落无法匹配

内容的提问来源于stack exchange，提问作者IsNav