不含特定子串的正则表达式：验证不含baa的表达式及长度2字符串合规性

1. 匹配不包含特定子串的正则表达式思路 #

要匹配不包含某个特定子串的字符串，最常用的方法是利用**负向预查（negative lookahead）**来实现。举个例子，如果我们要匹配所有不包含abc的字符串，对应的正则表达式可以写成：

^(?!.*abc).*$

简单解释下原理：

• ^ 匹配字符串开头
• (?!.*abc) 是负向预查，断言从当前位置开始，整个字符串中不存在abc这个子串（.*表示任意数量的任意字符，用来覆盖abc可能出现的任意位置）
• .* 匹配任意数量的任意字符（如果需要匹配换行符，可以开启单行模式，或者用[\s\S]*代替.*）

这是通用方案，针对不同的子串，有时候可以写出更高效的正则，但负向预查是最通用、最容易理解的方法。

2. 字母集{a,b}中不含子串baa的正则表达式验证 #

直接给出结论：a* ((aa)* b*)这个正则表达式不能正确匹配所有不含baa的单词，我们一步步拆解分析：

正则表达式a* ((aa)* b*)的匹配范围 #

这个正则的结构是：任意数量的a，后面跟着「任意数量的aa + 任意数量的b」。换句话说，所有由这个正则生成的字符串，b只能出现在字符串的末尾部分，b后面不能有任何a——因为b*之后没有其他匹配规则了。

被遗漏的合法字符串 #

比如字符串ba，它显然不含baa，但ba无法被这个正则匹配（因为b后面跟着a，不符合正则的结构）。这说明这个正则的范围太窄，漏掉了很多符合要求的字符串。

长度为2的字符串验证 #

字母集{a,b}中长度为2的字符串有4个：aa、ab、ba、bb。这四个字符串都不含baa（长度只有2，根本不可能包含长度为3的子串baa），所以它们都属于合法范围。

但用a* ((aa)* b*)匹配的话：

• aa、ab、bb都能被匹配；
• ba无法被匹配，而ba是符合「不含baa」条件的。

所以长度为2的字符串里，存在符合条件但不被该正则匹配的情况，进一步证明这个正则是不正确的。

如果要写出正确的正则，可以基于状态机推导，比如(a* b (a | ε))* a*（或等价形式），核心是保证每次出现b之后，最多只能跟一个a，避免出现baa的情况。

内容的提问来源于stack exchange，提问作者Raj Chauhan