Go regexp.FindReaderSubmatchIndex 怎样读取流式文本的捕获组

需要从流式文本中拿到“整体匹配”和每个捕获组的位置时，regexp.FindReaderSubmatchIndex 会返回一组按两项成对排列的整数。最重要的两个边界是：下标表示输入文本的字节偏移，而不是 rune 序号；整个表达式没有匹配时返回 nil，某个可选子组没有匹配时则用 -1, -1 表示。

官方文档：https://pkg.go.dev/regexp#Regexp.FindReaderSubmatchIndex

如果输入实现了 io.RuneReader，并且你需要同时得到整体匹配和捕获组的字节区间，可以使用 FindReaderSubmatchIndex。读取器可能为了确认匹配而读过返回区间的末尾，所以还要提前决定是否保留原始缓冲。

先看懂返回切片的成对下标

方法签名是 FindReaderSubmatchIndex(r io.RuneReader) []int。返回切片按子匹配编号排列：第 0 对对应整个正则表达式，第 1 对对应第一个括号捕获组，后面的捕获组继续向后排列。每一对的前一个值是起点，后一个值是终点，终点采用半开区间。

package main

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

func main() {
	// 第一个捕获组读取用户名，第二个捕获组读取可选角色。
	re := regexp.MustCompile(`user=([a-z]+)(?:;role=([a-z]+))?`)
	input := "prefix user=alice;role=admin suffix"
	reader := strings.NewReader(input)

	// Reader 版本返回的是整体匹配和各捕获组的字节边界。
	indices := re.FindReaderSubmatchIndex(reader)
	fmt.Println(indices) // 示例结果：[7 28 12 17 23 28]
}

这个示例中，[7, 28] 是整体匹配，[12, 17] 是 alice，[23, 28] 是 admin。不要把返回切片理解成“每个捕获组的文本”，它只保存位置；文本仍要从原始输入中切出来。

把捕获组下标映射回原始文本

下标可以直接用于字符串切片，因为 Go 字符串切片使用字节位置。若输入包含中文或其他多字节 UTF-8 字符，不能先把下标当成字符个数再转换；应保持原始字符串不变，直接使用 input[start:end]。

func submatchText(input string, indices []int, group int) (string, bool) {
	// 每个捕获组占两个位置，先检查切片是否包含完整的一对下标。
	start := group * 2
	if start+1 >= len(indices) {
		return "", false
	}
	begin, end := indices[start], indices[start+1]
	// 负数表示该子组没有匹配，不能直接拿去切片。
	if begin  end || end > len(input) {
		return "", false
	}
	return input[begin:end], true
}

生产代码通常把原始输入和返回下标一起保存。这样既能得到展示文本，也能保留“这个字段在原文的什么位置”这一信息，用于高亮、日志定位或后续协议解析。

可选分组和无匹配结果要分开处理

有两个容易混淆的状态：

• 整个表达式没有匹配：返回 nil，不能读取任何下标。
• 整体匹配成功但某个可选捕获组没有出现：对应的一对下标是 -1, -1。
• 捕获到空字符串时，起点和终点可能相等，例如 [10, 10]，这不是未匹配。

因此，判断顺序应是先判断返回值是否为 nil，再按捕获组逐对判断负数和空区间。不要用“起点等于终点”代替负数判断，否则会把合法的空匹配误判为缺失。

流式 Reader 可能提前读取，必要时保留缓冲

官方文档特别提醒，正则匹配可能需要检查匹配文本之后的内容。因此，FindReaderSubmatchIndex 返回时，Reader 可能已经读过匹配末尾，甚至读入更多字符。返回的下标仍然只描述匹配区间，不承诺 Reader 还停在终点位置。

如果后续逻辑还要读取未匹配内容，建议先把数据放进可复用的缓冲，再用 bytes.Reader 或 strings.Reader 提供给匹配逻辑；不要把一个不可回退的网络流直接交给正则后，再假设剩余数据一定还在 Reader 中。

什么时候适合使用这个 API

如果只需要判断是否匹配，MatchReader 更直接；如果需要完整文本，可以考虑先掌握输入缓冲再使用字符串或字节版本。只有当“流式输入”和“捕获组字节区间”同时重要时，FindReaderSubmatchIndex 才是更贴合的选择。

常见问题

为什么返回值不是按字符位置计算？

regexp 的 Index 方法返回输入中的字节下标，这是为了和 Go 字符串、字节切片的切片操作保持一致。多字节字符会占用多个字节位置。

Reader 读过匹配末尾后还能继续读取吗？

不能假设可以。正则引擎可能提前读取输入；需要保留后续内容时，应在调用前保存原始缓冲或使用可回放的数据源。

小结：先按两项一组解释下标，再区分 nil、-1,-1 和空区间，最后把 Reader 的提前读取纳入输入设计，基本就能避免这组 API 最常见的越界和数据丢失问题。