如何修改TypeScript正则表达式避免连续匹配丢失目标子串？

问题背景 #

我们需要实现字符串分割功能：将输入字符串按照指定集合wordsToBold中的子串分割为数组，要求匹配到的子串作为独立元素存在。例如：

• 当wordsToBold = ["test"]，输入字符串"hi this is a test string"，分割结果应为["hi this is a ", "test", " string"]。

此前修改正则后已支持非空格分隔的子串匹配，但遇到子串连续出现的场景时会丢失匹配：

• 当wordsToBold = ["foo", "bar"]，输入字符串"Thisfoo is a foobar sentence bar"，当前分割结果为["This", "foo", " is a ", "foo", " sentence ", "bar"]，其中foobar中的bar未被匹配到。

问题原因 #

默认正则匹配是非重叠匹配：当匹配到foo后，正则指针会移动到foo的末尾位置，导致后续的bar被跳过，无法被检测到。

解决方案 #

通过零宽度断言或包含目标子串/普通文本的全局匹配实现，确保匹配不占用字符位置，或覆盖所有可能的匹配场景。

方案1：全局匹配法（推荐） #

构建正则同时匹配"目标子串"或"非目标子串的连续字符"，通过全局匹配直接得到分割后的数组：

// 转义正则特殊字符
escapeRegExp(text: string): string {
  return text.replace(/[.*+?^${}()|[\]\\]/g, '\\$&');
}

splitStringByTargetWords(input: string, wordsToBold: string[]): string[] {
  if (!wordsToBold.length) return [input];

  // 转义所有目标子串，拼接为交替匹配模式
  const escapedWords = wordsToBold.map(this.escapeRegExp);
  // 正则规则：匹配目标子串，或匹配任意字符直到下一个目标子串（非贪婪模式）
  const matchRegex = new RegExp(`(${escapedWords.join('|')})|(?:(?!${escapedWords.join('|')}).)+`, 'g');

  // 执行匹配并过滤空元素
  return input.match(matchRegex)?.filter(part => part.length > 0) || [];
}

测试验证：
输入"Thisfoo is a foobar sentence bar"，分割结果为["This", "foo", " is a ", "foo", "bar", " sentence ", "bar"]，foobar被正确拆分为"foo"和"bar"两个元素。

方案2：零宽度分割法 #

利用正向/反向预查实现零宽度分割，分割时不消耗目标子串，从而支持连续匹配：

escapeRegExp(text: string): string {
  return text.replace(/[.*+?^${}()|[\]\\]/g, '\\$&');
}

splitStringByTargetWords(input: string, wordsToBold: string[]): string[] {
  if (!wordsToBold.length) return [input];

  const escapedWords = wordsToBold.map(this.escapeRegExp);
  // 零宽度分割：在目标子串的前后位置分割
  const splitRegex = new RegExp(`(?<=(${escapedWords.join('|')}))|(?=(${escapedWords.join('|')}))`, 'g');

  // 分割后过滤空值和undefined
  return input.split(splitRegex).filter(part => part && part.length > 0);
}

关键要点 #

1. 正则转义：必须转义目标子串中的特殊字符（如.、*），避免干扰正则语法解析。
2. 零宽度断言：(?=...)（正向预查）和(?<=...)（反向预查）不占用字符位置，确保连续子串都能被匹配。
3. 全局匹配/分割：添加g修饰符，确保遍历整个字符串处理所有匹配场景。

内容的提问来源于stack exchange，提问作者Jahson