Kotlin Regex的find方法起始索引异常行为及高效解决方案

为什么find(1)返回的还是"This"？ #

问题出在正则的正向回顾断言（lookbehind）上。你的正则(?<=[ \t\n$PUNC])(\w+)里的(?<=[ \t\n$PUNC])是零宽度断言，它只会检查当前位置左侧是否存在空白或标点，但不会受find方法指定的起始索引限制——哪怕你从索引1开始扫描，它仍然会回头检查索引0的字符。

当调用find(1)时，匹配器从索引1（字符'T'）开始：

• 检查索引1左侧的字符是'#'，属于$PUNC，满足回顾条件；
• 紧接着的\w+匹配从索引1开始的连续字母"This"，所以直接返回该结果，不会继续向后查找"is"。

高效解决办法（无需生成子串） #

方案1：跟踪上一次匹配的结束位置（推荐） #

这是遍历正则匹配的标准做法，既高效又能精准控制查找范围：

val possibleString = "#This is a comment"
val regex = "(?<=[ \t\n$PUNC])(\\w+)".toRegex()

// 第一次查找
var currentMatch = regex.find(possibleString)
println(currentMatch?.value) // 输出: This

// 从上次匹配的结束位置开始下一次查找
currentMatch?.let {
    currentMatch = regex.find(possibleString, it.range.last + 1)
}
println(currentMatch?.value) // 输出: is

这种方式直接跳过已匹配的区域，完全避免了重复匹配，也不会占用额外内存。

方案2：调整正则表达式 #

如果需要更灵活的起始位置控制，可以修改正则，同时兼容字符串开头的单词（原正则无法匹配开头无分隔符的单词）：

// 匹配规则：要么是字符串开头的单词，要么是前面有分隔符的单词
val regex = "(?:^|[ \t\n$PUNC])(\\w+)".toRegex()

使用这个正则时，需要通过groupValues[1]获取实际的单词内容（因为整个匹配包含了前面的分隔符或空字符串）。如果要从指定索引start开始查找有效单词，可以循环调用find，直到匹配的起始位置符合要求：

val start = 1
var targetMatch: MatchResult? = null
var currentMatch = regex.find(possibleString)
while (currentMatch != null) {
    // 计算单词的实际起始位置（跳过前面的分隔符）
    val wordStart = currentMatch.range.start + if (currentMatch.value[0].isLetterOrDigit()) 0 else 1
    if (wordStart >= start) {
        targetMatch = currentMatch
        break
    }
    currentMatch = regex.find(possibleString, currentMatch.range.last + 1)
}
println(targetMatch?.groupValues[1]) // 输出: is

内容的提问来源于stack exchange，提问作者qwerty