如何用Regex捕获Markdown两个#标题间的多行内容?
原正则匹配失效的核心原因
- 点号默认不匹配换行符:正则引擎默认规则下,
.只能匹配非换行的单个字符,无法跨行捕获带换行的多行文本,你写的用于抓正文的(.*)遇到第一个换行就会停止匹配,根本拿不到区块里的长内容。 - 标题范围匹配过窄:开头直接匹配
#的写法,只能识别一级标题,无法覆盖示例里出现的四级标题####;同时没有限定#必须出现在行首,容易误匹配正文内容里零散出现的#字符。 - 分隔符规则写死:固定使用
\n\n作为标题、URL、正文之间的分隔,但实际Markdown排版中存在任意数量连续换行的情况(比如示例第一个区块结尾就有3个连续换行),会直接导致匹配中断。 - 结束锚点完全失效:把任意位置的
#作为区块结束标记,既没有要求这个#必须在行首,也没有兼容标题前的换行内容,会把正文里的#提前识别为结束点,甚至因为区块之间隔了多个换行,根本触达不到下一个标题的位置。 - 冗余分支逻辑无意义:专门为固定提示文本写的分支判断
(\[THIS IS A CHOICE NO CONTENT REQUIRED\]|(.*))没有实际价值,分支和后面的结束锚点拼接后,只要遇到这个标记就直接结束匹配,会跳过标记后面的正常换行内容。 - 捕获组缺少非贪婪限定:所有
(.*)都默认是贪婪匹配,遇到长文本会尽可能多的向后抓取,容易跨区块抓错内容。
修正方案
匹配前需要开启两个正则引擎模式:
- 单行模式(
s):让.支持匹配换行符,实现多行内容完整捕获 - 多行模式(
m):让边界匹配符支持识别每行的行首位置,准确识别各层级Markdown标题
修正后的可直接使用的正则:
^#{1,6}\s+(.*?)\s*\n+URL:\s*\[(.*?)\]\((.*?)\)\s*\n+(.*?)(?=^#{1,6}\s|$)
正则匹配逻辑
- 从行首开始识别1-6个#号加空白,覆盖所有层级的Markdown标题,用非贪婪匹配提取标题文本
- 用
\n+兼容任意数量的换行分隔,不再硬编码两个换行的固定格式 - 非贪婪匹配URL的显示文本和跳转地址,避免长文本跨抓
- 用正向预查锁定区块内容的结束位置:只要遇到下一个行首的标题,或者整个文档结束,就停止当前区块的内容捕获,把两个标题之间的所有正文、列表、空行、固定提示标记都完整提取出来。
内容的提问来源于stack exchange,提问作者Abdul Amoud
相关产品推荐
相关产品推荐

