如何拆分包含驼峰文本与连续数字组的字符串并保留数字分组？

问题原因 #

你当前使用的正则中(?!\\p{Lu})(?=\\d+)逻辑存在缺陷：(?=\\d+)会匹配每一个数字字符前方的位置，因此连续数字会在每个数字前都触发拆分，最终被拆分为单个字符。

解决方案 #

使用如下支持Unicode的正则即可实现预期拆分效果：

(?=\p{Lu})|(?<=\D)(?=\d)|(?<=\d)(?=\D)

效果验证 #

对示例字符串"abcDefGhi345J6"执行拆分：

// 示例（Java环境，其他支持Unicode属性转义的环境逻辑一致）
"abcDefGhi345J6".split("(?=\\p{Lu})|(?<=\\D)(?=\\d)|(?<=\\d)(?=\\D)");

输出结果符合预期：

["abc", "Def", "Ghi", "345", "J", "6"]

正则逻辑说明 #

• (?=\p{Lu})：正向零宽预查，匹配任意Unicode大写字母前方的位置，实现驼峰拆分，兼容所有语言的大写字母
• (?<=\D)(?=\d)：正向零宽预查，匹配「非数字字符后方、数字字符前方」的交界位置，仅在字母切换到数字时拆分
• (?<=\d)(?=\D)：正向零宽预查，匹配「数字字符后方、非数字字符前方」的交界位置，仅在数字切换到字母时拆分

Shell环境使用说明 #

如果在Shell中使用该正则，需要确保工具支持Unicode属性转义与零宽断言，推荐使用Perl实现，示例如下：

echo "abcDefGhi345J6" | perl -CSDA -e 'print join(", ", split /(?=\p{Lu})|(?<=\D)(?=\d)|(?<=\d)(?=\D)/, <STDIN>)'

内容的提问来源于stack exchange，提问作者Mikael Johansson