Regular expression to match a line that doesn’t contain a word

技术背景

在处理文本时，有时需要匹配不包含特定单词的行。虽然正则表达式通常不擅长反向匹配，但可以通过负向预查（negative look - around）来模拟这种行为。

实现步骤

不包含特定字符串的正则

使用负向预查 (?!...) 可以实现匹配不包含特定字符串的功能。例如，要匹配不包含 hede 的字符串，可以使用以下正则表达式：

^((?!hede).)*$

此正则会匹配任何不包含 hede 的字符串或行（无换行符）。如果需要匹配包含换行符的情况，可以使用 DOT - ALL 修饰符：

/^((?!hede).)*$/s

或者内联使用：

/(?s)^((?!hede).)*$/

若不支持 DOT - ALL 修饰符，可使用字符类 [\s\S] 来模拟：

/^((?!hede)[\s\S])*$/

不包含特定字符串的优化正则

原正则在匹配单个字符时，负向预查部分会向前测试 1 到 4 个字符。可以让负向预查部分检查整个文本，确保没有 hede，然后正常部分 .* 一次性匹配整个文本，改进后的正则如下：

/^(?!.*?hede).*$/

*? 是懒惰量词，也可以使用贪婪量词 *，具体取决于数据情况。

不包含特定字符串的其他实现方式

• 使用 Vcsn：Vcsn 支持补运算，通过它可以找到否定另一个表达式的正则。在 Python 中使用示例：

import vcsn
c = vcsn.context('lal_char(a - z), b')
e = c.expression('(hede){c}')
a = e.automaton()
print(a.expression())

• 使用 POSIX grep：POSIX grep 无标志时仅支持基本正则表达式（BREs），无法完成此任务。但 GNU grep 实现了扩展，允许使用。例如：

grep "^([^h]|h(h|eh|edh)*([^eh]|e[^dh]|ed[^eh]))*(|h(h|eh|edh)*(|e|ed))$" input

也可以使用 egrep 或给 POSIX grep 传递 -E 标志：

egrep "^([^h]|h(h|eh|edh)*([^eh]|e[^dh]|ed[^eh]))*(|h(h|eh|edh)*(|e|ed))$" input

• 使用串行 grep：可以使用串行 grep 结合管道来消除噪声，例如搜索 Apache 配置文件中不包含注释且匹配 dir 的行：

grep -v '\#' /opt/lampp/etc/httpd.conf | grep -i dir

• 使用 Textpad 编辑器：如果在 Textpad 中操作，由于其不支持预查，可以通过以下步骤保留不包含 hede 的行：
  1. 搜索替换添加唯一标签：搜索 ^(.)，替换为 <@# - unique - #@>\1。
  2. 删除包含 hede 的行：搜索 <@# - unique - #@>.*hede.*\n，替换为空。
  3. 移除唯一标签：搜索 <@# - unique - #@>，替换为空。
• 使用 Ruby 的 Absent 运算符：自 ruby - 2.4.1 起，可以使用新的 Absent 运算符，例如 ^(?~hede)$ 可以匹配不包含 hede 的字符串：

["hoho", "hihi", "haha", "hede"].select{|s| /^(?~hede)$/.match(s)}

• 使用 PCRE 动词 (*SKIP)(*F)：正则 ^hede$(*SKIP)(*F)|^.*$ 可以完全跳过包含精确字符串 hede 的行，并匹配其余所有行。

核心代码

JavaScript 示例

// 匹配不包含 hede 的字符串
const regex = /^(?!.*?hede).*$/;
const str1 = "hello world";
const str2 = "hede is here";
console.log(regex.test(str1)); // true
console.log(regex.test(str2)); // false

PHP 示例

$str = "aaa        bbb4      aaa     bbb7";
preg_match('/aaa(?:(?!bbb).)+?bbb7/s', $str, $matches);
print_r($matches);

最佳实践

• 性能方面：通过基准测试发现，^(?![.*?Regex Hero).* 这种简单负向预查的方式在性能和可读性上表现较好，尤其是在 JavaScript 中，因为 JS 不支持其他方案的高级正则特性。
• 代码可读性：使用 ^(?![.*?hede) 这种形式将需求直接转化为正则，逻辑清晰，易于理解。

常见问题

正则性能问题

复杂的负向预查可能会导致性能下降，特别是在处理长文本时。可以通过优化正则表达式，如使用 ^(?![.*?hede) 这种先整体检查的方式，减少回溯来提高性能。

工具支持问题

不同的工具对正则表达式的支持不同。例如，POSIX grep 基本正则表达式不支持完成此任务所需的功能，而 GNU grep 则支持。在使用时需要根据具体工具的特性选择合适的正则表达式。

边界情况处理

在处理包含换行符、空行等边界情况时，需要注意正则表达式的编写。例如，使用 .* 而不是 .+ 可以匹配空行。