如何编写匹配双词表各至少一个关键词的新闻标题过滤正则

原正则失效原因 #

你之前写的正则存在两个核心问题：

• 强制要求第一词表关键词必须出现在第二词表关键词之前，反过来的场景无法匹配
• 没有处理两个关键词之间的其他文本，仅能匹配两个关键词紧邻出现的情况

最优正则表达式（支持正向预查的引擎通用） #

/^(?=.*\b(?:Threat actor|attack|skimm|malware|exploit|fraud|inject|trojan|ransom|RCE)\b)(?=.*\b(?:ATM|bank|Austria)\b).*$/i

规则说明 #

• 两个(?=)正向肯定预查分别校验两个词表是否各至少有一个关键词存在，不限制关键词出现顺序
• \b单词边界避免关键词被误识别为其他单词的一部分，比如不会把banking里的bank判定为命中
• 非捕获组(?:)避免生成多余的捕获结果，匹配成功只会返回1次整体结果，不会因为多个关键词命中重复返回
• 末尾的i修饰符适配标题大小写不统一的场景，如果要求严格区分大小写可以去掉

兼容版正则表达式（不支持预查的引擎可用） #

如果你的使用环境不支持正向预查，可以用顺序交替的写法实现相同效果：

/\b(?:Threat actor|attack|skimm|malware|exploit|fraud|inject|trojan|ransom|RCE)\b.*\b(?:ATM|bank|Austria)\b|\b(?:ATM|bank|Austria)\b.*\b(?:Threat actor|attack|skimm|malware|exploit|fraud|inject|trojan|ransom|RCE)\b/i

测试用例验证结果 #

• 测试用例1（仅含第一词表关键词）：不匹配，符合预期
• 测试用例2（同时含两个词表关键词）：匹配成功，符合预期
• 测试用例3（仅含第一词表关键词）：不匹配，符合预期
• 测试用例4（仅含第二词表关键词）：不匹配，符合预期

内容的提问来源于stack exchange，提问作者Michael Gierer