Regex重复分组捕获问题：如何正确提取目标词汇分组

嘿，我来帮你搞定这个正则的问题！先理清楚你的需求和当前遇到的卡点：

需求与示例 #

待处理的有效文本 #

• Example 1: 'lun et mer et mar'
• Example 2: 'lun. et mer. - mar.'
• Example 3: 'lun a ven'

必须排除的无效文本（完全不能匹配） #

• Negative example 4: 'sept à juin'
• Negative example 5: 'foo bar'
• Negative example 6: '9h30 - 18h'

预期的分组结果 #

• Example 1: ['lun', 'et', 'mer', 'et', 'mar']
• Example 2: ['lun', 'et', 'mer', '-', 'mar']
• Example 3: ['lun', 'a', 'ven']

当前遇到的问题 #

你尝试的正则是：

(?:((lun|mar|mer)\.?\s*(\-|au|a|à|et)?\s*)+)

但结果只捕获到最后一个词汇mar两次。你已经意识到这是重复捕获组的问题，但调整后还是没解决，对吧？

重要提示：必须用正则完成，因为需要通过完全匹配判断数据类型，像'sept à juin'这类内容必须被完全排除。

问题根源与解决方案 #

你的判断没错——问题出在重复捕获组的特性：当捕获组被+或*重复调用时，正则引擎只会保留该组最后一次匹配的内容，所以之前的写法只能拿到最后一个匹配项。

我们可以拆分思路，分两步解决：先验证整个文本是否合法，再提取所有有效元素。

1. 验证文本合法性（完全匹配） #

首先写一个正则，确保整个文本只由合法元素（目标词汇+连接词）和空格组成：

^(?:\s*(?:(?:lun|mar|mer)\.?|et|a|à|-)\s*)+$

• ^和$确保从文本开头到结尾完全匹配
• (?:lun|mar|mer)\.?匹配目标词汇，允许末尾带.
• et|a|à|-匹配合法的连接词
• 整个结构允许元素之间有任意数量的空格

用这个正则测试，就能排除所有无效文本（比如'sept à juin'这类完全不符合的）。

2. 提取所有有效元素 #

当文本通过合法性验证后，用全局匹配提取所有元素，再去掉末尾的.：

(?:lun|mar|mer)\.?|et|a|à|-

加上g标志全局匹配，然后对每个结果做个小处理：把.去掉（比如lun.转成lun）。

完整示例（以JavaScript为例） #

拿Example 2的文本测试：

const text = 'lun. et mer. - mar.';
// 验证合法性的正则
const validateRegex = /^(?:\s*(?:(?:lun|mar|mer)\.?|et|a|à|-)\s*)+$/;
// 提取元素的正则
const extractRegex = /(?:lun|mar|mer)\.?|et|a|à|-/g;

if (validateRegex.test(text)) {
  const result = text.match(extractRegex).map(item => item.replace(/\.$/, ''));
  console.log(result); // 输出 ["lun", "et", "mer", "-", "mar"]
} else {
  console.log('这个文本不符合要求哦');
}

为什么之前的写法不行？ #

你之前的正则把词汇和连接词打包进了一个重复的捕获组，每次循环都会覆盖捕获组的内容，最后只留下最后一次匹配的结果。拆分后分别匹配单个元素，再全局提取，就能拿到所有符合要求的项了。

内容的提问来源于stack exchange，提问作者Nikola Zarić