Go regexp把匹配位置映射回原文的处理方案

我在做日志高亮时遇到过一个很容易误判的问题：正则已经找到了文本，但结果只有字符串，没有办法知道它在原文的哪一段。Go regexp 的处理方式是让匹配方法直接返回下标。只要使用 FindAllStringIndex 或 FindAllStringSubmatchIndex，就能用 s[start:end] 映射回原文；注意这些下标是字节位置，不是字符序号。

先把匹配结果变成原文区间

FindAllStringIndex(s, n) 返回每个完整匹配的 [start, end]。n 为负数表示取全部结果，非负数表示最多返回多少项。下面的示例把每段命中文本和它在原文中的字节区间放在一起：

package main

import (
    "fmt"
    "regexp"
)

func main() {
    text := "订单 A-17 已发货，订单 B-23 待确认"
    re := regexp.MustCompile(`[A-Z]-[0-9]+`)

    // Index 返回左闭右开字节区间，n=-1 表示收集全部非重叠匹配。
    for _, loc := range re.FindAllStringIndex(text, -1) {
        start, end := loc[0], loc[1]
        fmt.Printf("%d:%d %q\n", start, end, text[start:end])
    }
}

这里的 loc[0] 和 loc[1] 可以直接用于原字符串切片。使用区间而不是重新搜索命中文本，还能避免原文中出现相同内容时定位到错误位置。

需要捕获组时按成对下标读取

如果表达式中有捕获组，改用 FindAllStringSubmatchIndex。返回数组的第 0、1 个值是整段匹配，第 2、3 个值是第一个捕获组，之后依次类推。可以把它封装成一个小函数，统一处理负数区间：

package main

import (
    "fmt"
    "regexp"
)

func sliceIfMatched(text string, loc []int, group int) (string, bool) {
    // 每个组占两个位置；负数代表该组未参与本次匹配。
    begin := group * 2
    if begin+1 >= len(loc) || loc[begin] 

这个写法的好处是把“下标是否存在”和“捕获组是否匹配”集中处理。比如 (foo)? 这样的可选组没有命中时，不能直接拿负数去切片，否则会触发运行时错误。

中文文本不要把字节下标当字符位置

Go 字符串按字节保存 UTF-8 文本，所以中文会让字节下标和用户看到的字符序号产生差异。切片时仍然使用 regexp 返回的字节下标；若前端或审计结果必须显示第几个字符，可以在切片安全的前提下转换：

// byteToRunePos 将合法 UTF-8 字节位置换算为从0开始的字符位置。
func byteToRunePos(text string, bytePos int) int {
    if bytePos  len(text) {
        return -1
    }
    return utf8.RuneCountInString(text[:bytePos])
}

实际代码需要额外导入 unicode/utf8。不要先把整串转换成 []rune 再使用 regexp 的下标；那会把字节区间和 rune 数组的下标混用。只有在需要展示字符位置时才做转换，内部切片和替换仍保留字节区间。

排查匹配位置时的四项清单

另外，FindAll... 返回的是连续的非重叠匹配；相邻的空匹配有专门的忽略规则。若业务需要重叠匹配，不能只改下标读取函数，而要重新设计表达式和扫描策略。

常见问题

FindStringIndex 和 FindAllStringIndex 怎么选？

只关心第一处命中用前者，需要遍历多处命中用后者；两者都返回完整匹配的字节区间。

为什么捕获组下标会出现 -1？

通常是可选捕获组在这次匹配中没有参与。把它当成“没有区间”，先判断再切片。

能不能直接得到字符下标？

regexp 的 Index 系列返回字节下标。中文等 UTF-8 文本需要用 utf8.RuneCountInString 对前缀单独换算。

把匹配文本、字节区间和捕获组一起保留下来，后续做高亮、审计或替换都会更稳。核心边界只有一个：regexp 负责给出原字符串的 byte range，业务层决定如何展示这个 range。