如何构建含多个可选捕获组的Regex以解析结构不一致的JSON

问题场景 #

需要解析每行结构不一致的JSON数据，提取指定字段（company、address1、country、name），即使部分字段缺失也要返回空值占位。示例JSON如下：

{"company": 123, "irrelevant": "nonsense", "address": {"address1": "123 London Road", "country": "GB"}}
{"company": 456, "irrelevant": "nonsense", "country": "GB", "Name": "Mary"}
{"company": 789, "irrelevant": "nonsense", "address": {"address1": "123 Paris Road", "country": "FR", "Name": "Joe"}}
{"company": 444}

期望输出每个行的捕获结果：

groups from row 1: ["123", "123 London Road", "GB", ""]
groups from row 2: ["456", "", "GB", "Mary"]
groups from row 3: ["789", "123 Paris Road", "FR", "Joe"]
groups from row 4: ["444", "", "", ""]

原有问题 #

最初的正则仅适配所有字段都存在的情况，改为可选捕获组后，因贪婪匹配（.+）会直接吞噬整个字符串，导致后续可选组无法匹配到内容：

(?<=company": )(\d+).+("address1": ".+?")?.+("country": ".+?")?.+("name": ".+?")?

解决方案 #

改用非贪婪匹配替代贪婪匹配，为每个目标字段独立编写可选捕获组，同时开启不区分大小写匹配适配字段名的大小写差异：

最终正则表达式 #

(?i)(?<=company": )(\d+)(?:.*?"address1":\s*"([^"]*)")?(?:.*?"country":\s*"([^"]*)")?(?:.*?"name":\s*"([^"]*)")?.*

正则解析 #

• (?i)：开启不区分大小写模式，兼容Name和name这类大小写差异
• (?<=company": )(\d+)：精准捕获company对应的数字值
• (?:.*?"address1":\s*"([^"]*)")?：可选捕获组，非贪婪匹配到address1字段并提取其值；字段不存在时返回空
• (?:.*?"country":\s*"([^"]*)")?：同理处理country字段，无论字段在顶层还是嵌套的address对象中都能匹配
• (?:.*?"name":\s*"([^"]*)")?：同理处理name字段
• .*：匹配剩余无关内容，不影响核心字段的捕获

扩展说明 #

如果需要添加更多字段，只需按照以下格式追加可选捕获组即可：

(?:.*?"目标字段名":\s*"([^"]*)")?

注意：若JSON字符串中包含转义双引号（如"address1": "123 \"Main\" Street"），该正则会失效，这种场景建议使用专业JSON解析库而非正则。

内容的提问来源于stack exchange，提问作者NDJ2212