匹配带/不带引号的动态JSON正则表达式需求

问题分析 #

首先看你的输入是一段不规范的JSON片段，键都用双引号包裹，值分三种情况：带双引号的字符串、数字、null（无引号）。你需要用正则提取键值对，同时还要适配Talend处理动态Schema的场景，不能用常规JSON解析器。

正则方案 #

这里给你一个能覆盖所有情况的正则表达式，支持全局匹配所有键值对：

"([^"]+)"\s*:\s*(?:"([^"\\]*(?:\\.[^"\\]*)*)"|([^\s}]+))

正则解释

• "([^"]+)"：捕获双引号包裹的键名，[^"]+匹配非引号的所有字符（确保键的双引号内内容被完整提取）
• \s*:\s*：匹配冒号，同时兼容冒号前后的任意空格
• (?:"([^"\\]*(?:\\.[^"\\]*)*)"|([^\s}]+))：分支匹配两种值类型
  • 第一个分支："([^"\\]*(?:\\.[^"\\]*)*)"，捕获双引号包裹的字符串值，支持处理转义引号（比如\"）这种边缘情况
  • 第二个分支：([^\s}]+)，捕获不带引号的值（数字、null等），用[^\s}]+确保不会匹配到后面的分隔空格或}符号

Talend 具体操作步骤 #

1. 读取原始字符串：用tFileInputRaw或tRowGenerator获取你的不规范JSON片段
2. 提取正则分组：添加tExtractRegexFields组件，勾选「Global match」（全局匹配所有键值对），将上面的正则填入，然后添加三个输出列：
   • key（String类型，对应正则分组1）
   • value_quoted（String类型，对应正则分组2）
   • value_unquoted（String类型，对应正则分组3）
3. 合并值列：用tMap组件，添加一个计算列value，表达式写：

   value_quoted != null ? value_quoted : value_unquoted
   

   这个表达式会自动判断值是来自带引号的分组还是无引号的分组
4. 输出结果：将tMap的key和value列输出，就能得到你需要的Key|Value格式

更优替代方案 #

正则虽然能解决问题，但遇到复杂的转义字符或更不规范的JSON时容易出错。如果你的Talend支持Groovy组件，推荐用tGroovy写脚本处理，容错性更强：

// 读取输入的原始字符串
def rawJson = input_row.rawString;
// 先修复不规范的JSON格式：把空格分隔的键值对改成逗号分隔，补全外层大括号
def fixedJson = rawJson.replaceAll(/(?<=[}\]])\s+/, ",").replaceAll(/\s+/, " ");
fixedJson = "{ " + fixedJson + " }";
// 用Groovy的JsonSlurper解析（容错性强，能处理大部分不规范JSON）
def jsonObj = new groovy.json.JsonSlurper().parseText(fixedJson);
// 遍历所有键值对并输出
jsonObj.each { entry ->
    output_row.key = entry.key;
    output_row.value = entry.value != null ? entry.value.toString() : "null";
    output();
}

这种方法不需要依赖正则的精确匹配，能更好地处理动态Schema的场景，即使后续新增字段也不需要修改正则。

内容的提问来源于stack exchange，提问作者prakul