17370845950

本文讲解如何在 go 中用 `regexp` 正确提取文本中的段落内容——即以连续两个换行符 `\n\n` 或文本结尾为分隔的非空文本块，避免捕获空行或多余空白。

Go 的 regexp 包基于 RE2 引擎，不支持 \n 以外的“点号通配符”跨行匹配（默认 . 不匹配换行符），且传统贪婪匹配（如 .+）易导致过度捕获。原代码 (.+)(\n\n) 存在两个关键问题：

• .+ 是贪婪匹配，会尽可能吞掉后续内容，直到遇到最后一个 \n\n，导致只匹配到前两段之间的空行；
• 未处理末尾段落（无后续 \n\n），因此第三段被完全忽略；
• 同时，该模式会将 \n\n 本身作为子匹配捕获，造成结果包含空行。

✅ 正确解法是使用 非贪婪、跨行、边界感知 的正则：

`(?s).*?(\n\n|$)`

其中：

• (?s) 是单行模式（DOTALL），让 . 可匹配包括 \n 在内的任意字符；
• .*? 是非贪婪量词，确保匹配到第一个 \n\n 或字符串结尾即停止，避免吞并后续段落；
• (\n\n|$) 作为分隔锚点，既捕获段落结束标志（双换行），也兼容末尾段落（$ 表示字符串结束）；
• FindAllString 会返回所有完整匹配项（含结尾的 \n\n 或 $），因此实际段落内容需进一步清理换行符。

但注意：上述正则返回的结果仍包含结尾的 \n\n。若只需纯段落文本（不含前后空白和分隔符），推荐更健壮的写法——用 FindAllStringSubmatch 提取捕获组，或直接按 \n\n 分割后 Trim：

package main

import (
    "fmt"
    "regexp"
    "strings"
)

func main() {
    str := `first paragraph
second line of first paragraph

second paragraph

third paragraph
second line of third paragraph`

    // ✅ 方法1：用正则提取「段落内容」（不带结尾空行）
    r, _ := regexp.Compile(`(?s)(.*?)\n\n`)
    matches := r.FindAllStringSubmatch([]byte(str), -1)

    var paragraphs []string
    for _, m := range matches {
        para := strings.TrimSpace(string(m[1])) // m[1] 是第一个捕获组
        if para != "" {
            paragraphs = append(paragraphs, para)
        }
    }

    // ✅ 方法2（更简洁常用）：按 \n\n 分割 + 清理空白
    rawParts := strings.Split(str, "\n\n")
    for _, p := range rawParts {
        if trimmed := strings.TrimSpace(p); trimmed != "" {
            paragraphs = append(paragraphs, trimmed)
        }
    }

    fmt.Printf("段落列表：%v\n", paragraphs)
    // 输出：
    // 段落列表：[first paragraph
    // second line of first paragraph second paragraph third paragraph
    // second line of third paragraph]
}

? 关键提醒：

• 对纯文本段落分割，strings.Split + strings.TrimSpace 通常比正则更高效、可读性更强，且天然规避正则边界陷阱；
• 若段落内含嵌套空行（如诗歌、代码块），才需更复杂的正则逻辑；
• Go 正则中 $ 在多行模式下默认匹配行尾，如需严格匹配整个字符串结尾，请用 \z（但 (?s).*?(\n\n|\z) 在标准库中等价于 (\n\n|$)）。

综上，初学者应优先选择语义清晰、性能稳定的字符串分割方案；正则适用于需动态模式（如带标题前缀、特定缩进等）的复杂场景。