如何用Regex反向查找匹配含指定词汇的目标段落？

需求分析 #

需要匹配文本中包含the Agency（可带<em>标签）的段落，段落以数字+点（如3.）开头，到下一个数字+点（如4.）之前结束。

修正后的正则表达式 #

(?s)(\d+\.\s+.*?(?:<em>)?the Agency(?:<\/em>)?.*?)(?=\n\d+\.\s)

正则说明 #

• (?s)：开启单行模式，让.匹配包括换行在内的所有字符
• \d+\.\s+：匹配段落开头的数字点+空格（如3. ）
• .*?(?:<em>)?the Agency(?:<\/em>)?.*?：非贪婪匹配任意内容，确保覆盖包含带/不带<em>标签的the Agency的整个段落部分
• (?=\n\d+\.\s)：正向预查，匹配到下一个段落开头（换行+数字点+空格）时停止，不会包含该段落起始标记

反向查找实现方案 #

如果需要从the Agency反向定位到最近的段落开头，可以用反向断言实现：

(?s)(?<=\n\d+\.\s).*?(?:<em>)?the Agency(?:<\/em>)?.*?(?=\n\d+\.\s)

• (?<=\n\d+\.\s)：反向预查，确保匹配内容的前一个位置是目标段落的起始标记（换行+数字点+空格）

原正则的问题 #

原正则\n(\d+.\s+.<em>?the Agency.</em>?)(\n\d+.\s)无法满足需求的原因：

1. 仅匹配了the Agency附近的小段内容，没有覆盖整个段落的前后部分
2. 未处理跨换行的匹配逻辑，无法捕获包含换行的完整段落

内容的提问来源于stack exchange，提问作者Wojciech Rogman