如何编写仅含一个一级捕获组的正则提取URL中的thread-id

原有写法的问题 #

你之前的两种正则写法存在两个典型错误：

• 第一种用[]包裹后缀匹配规则是错误用法：方括号是单字符集合，只会匹配括号内的任意单个字符，无法实现多后缀的分支匹配逻辑，才会出现id后结尾内容匹配错误的问题
• 第二种用|拆分两套独立匹配逻辑，会生成两个一级捕获组，不符合Java代码的单捕获组要求

可用正则模式 #

符合要求的正则写法如下，整个模式仅包含1个一级捕获组：

.*[tT]hread-(.*?)(?:-page-.*|\.html|$)

规则说明 #

• [tT]直接匹配大小写的t字符，不需要在字符集内加|（字符集内的|会被识别为普通竖线字符，属于冗余错误写法）
• 捕获组(.*?)采用非贪婪匹配，会尽可能短地抓取thread-后的内容，直到碰到后续定义的后缀边界就停止
• (?:-page-.*|\.html|$)是非捕获组（不会生成额外的捕获组计数，不影响单捕获组的要求），定义了三类id的结束边界：
  • 碰到-page-开头的分页后缀停止
  • 碰到.html后缀停止
  • 碰到字符串末尾停止（适配第三种无后缀的路径格式）

Java 代码使用示例 #

注意Java字符串中反斜杠需要做转义处理，实际代码里的模式写法如下：

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class ThreadIdExtractTest {
    public static void main(String[] args) {
        Pattern threadPattern = Pattern.compile(".*[tT]hread-(.*?)(?:-page-.*|\\.html|$)");
        String[] testCases = {
                "https://www.mypage.com/thread-3306-page-32.html",
                "https://www.mypage.com/thread-3306.html",
                "https://www.mypage.com/Thread-String-Thread-Id"
        };
        for (String url : testCases) {
            Matcher matcher = threadPattern.matcher(url);
            if (matcher.matches()) {
                System.out.println(matcher.group(1));
            }
        }
    }
}

运行后输出结果完全符合预期：

3306
3306
String-Thread-Id

内容的提问来源于stack exchange，提问作者CampingCow