DLP中Aadhaar号码正则表达式优化及方案适用性咨询

问题分析 #

你提到的内置正则存在两个核心问题：一是会误匹配竖排的多行数字（因\s可能匹配换行符，将分三行的4位数字识别成分隔后的Aadhaar格式）；二是无法严格限制12位长度，可能匹配11/13位数字的片段。而你尝试的^[2-9][0-9]{3}\s[0-9]{4}\s[0-9]{4}$并不适合全文档搜索——该正则依赖行首^和行尾$锚定，只能匹配整行完全是Aadhaar号码的场景，若号码出现在段落中间（比如"请提供Aadhaar：1234 5678 9012"），则无法被识别。

优化后的正则方案 #

针对全文档搜索需求，推荐使用负向前后断言替代单词边界，同时明确分隔符为空格（避免匹配换行），确保仅匹配严格合规的Aadhaar号码：

1. 匹配无空格格式的12位Aadhaar

(?<!\d)[2-9]\d{11}(?!\d)

2. 匹配带空格分隔（4-4-4格式）的Aadhaar

(?<!\d)[2-9]\d{3} \d{4} \d{4}(?!\d)

3. 合并为单正则（若DLP支持）

(?<!\d)([2-9]\d{11}|[2-9]\d{3} \d{4} \d{4})(?!\d)

方案说明 #

• (?<!\d)：负向后顾断言，确保号码前无其他数字，避免匹配13位数字的后12位片段；
• (?!\d)：负向前瞻断言，确保号码后无其他数字，避免匹配11位数字的扩展片段；
• 用明确的空格 替代\s，防止将换行符识别为分隔符，彻底避免竖排数字的误匹配；
• 无行首/行尾锚定，支持匹配文本中任意位置的Aadhaar号码。

内容的提问来源于stack exchange，提问作者Suraj Hegde