使用负向前瞻的正则提取文本时跨匹配与长度受限问题咨询

原有方案的核心缺陷根因 #

之前编写的负向前瞻(?!.+[A-Z][A-Z ]+)没有限定搜索边界，会从当前大写文本的结束位置开始，遍历整个文档寻找大写序列，很容易跨过当前块的锚词，匹配到下一个重复文本块的开头大写内容，最终把本该符合要求的匹配项错误排除。如果给前瞻加固定长度限制，又无法适配通配文本长度不固定的场景。

修正方案逻辑 #

不需要给前瞻匹配加固定长度限制，只要把检查范围的终点对齐当前块的锚词位置，就能自然把搜索范围锁在两个相邻文本块的间隔内，从根源上避免跨块误判：

• 将所有跨位置的量词从默认的贪婪匹配改为非贪婪匹配，让正则优先匹配最近的锚词，天然对齐“每个文本块由大写开头、通配内容、锚词依次组成”的重复分布结构
• 绑定负向前瞻的搜索范围：仅检查当前大写序列到对应锚词的区间内是否存在其他大写文本，过了锚词位置的内容不纳入检查范围
• 给大写序列、锚词都加上单词边界，避免把单词内部的大写字符、偶然出现的同拼写单词误判成匹配节点

参考可用正则 #

\b[A-Z][A-Z ]+?\b(?!.+?\b[A-Z][A-Z ]+?\b).+?\banchor\b

匹配流程说明 #

1. 从全文遍历定位独立的全大写开头片段
2. 从该片段结束位置开始，往后查找第一个独立全大写片段之前的最近一个锚词
3. 抓取从开头大写片段到该锚词之间的全部文本，作为完整匹配块
   这种实现方式不需要预设通配文本的长度，只要符合“两个相邻大写片段之间存在锚词、且中间没有其他独立大写片段”的规则，都能被正确识别，既不会漏匹配长通配文本的场景，也不会因为跨块检查造成误排除。

注意：如果实际场景中的锚词有固定格式（比如带前后标点、特殊后缀），可以针对锚词的匹配规则做精准调整，进一步降低误判概率。

内容的提问来源于stack exchange，提问作者Dennis