如何使用正则表达式匹配无标点文本中的全部相邻滑动单词对

问题原因 #

原来的(\w+) +(\w+)采用字符消费式匹配：完成hello dear的匹配后，正则引擎的扫描指针会直接移动到dear的末尾，剩余仅world一个单词无法满足双单词匹配规则，因此只能输出首个相邻对。

解决方案 #

使用PCRE正则的正向零宽先行断言实现滑动窗口效果，断言匹配过程不会消耗字符，可让扫描指针每匹配完一组仅前进一个单词的长度，实现所有相邻对的捕获。

调整后命令 #

echo "hello dear world" | grep -Po '(?=(\b\w+ +\w+))\b\w+'

输出结果 #

hello dear
dear world

说明 #

• 替换-E参数为-P：POSIX扩展正则不支持零宽断言，需启用PCRE正则支持
• 正则逻辑：
  • (?=...)：正向零宽先行断言，仅检查后续内容匹配规则，不消耗扫描位置的字符
  • (\b\w+ +\w+)：捕获完整的相邻单词对，\b保证匹配完整单词边界
  • 末尾的\b\w+：控制扫描指针每次前进一个单词，避免同一位置重复匹配

多单词场景验证 #

输入4个单词的测试用例：

echo "a b c d" | grep -Po '(?=(\b\w+ +\w+))\b\w+'

输出：

a b
b c
c d

内容的提问来源于stack exchange，提问作者Tony