Auto_Bangumi项目中的正则表达式匹配问题分析与解决方案

问题背景

在Auto_Bangumi项目的文件重命名功能中，当处理包含特定中文字符(如"话"、"話"、"集")的动画文件名时，会出现解析错误。这个问题主要发生在文件已经被重命名过一次后，再次尝试重命名时。

问题重现

让我们通过一个具体案例来说明这个问题：

原始文件名示例： [ANi] 不時輕聲地以俄語遮羞的鄰座艾莉同學 - 02 [1080P][Baha][WEB-DL][AAC AVC][CHT].mp4

经过第一次重命名后变为： 不时用俄语小声说真心话的邻桌艾莉同学 S01E02.mp4

当系统尝试对这个已重命名的文件再次进行解析时，就会触发错误。

技术分析

问题的根源在于项目中使用的一个正则表达式模式：

r"(.*)第?(\d*\.*\d*)[话話集](?:END)?(.*)"

这个正则表达式存在两个主要问题：

1. 贪婪匹配问题：第一个(.*)使用了贪婪匹配模式，会尽可能多地匹配字符，导致后续的匹配出现问题。

2. 二次匹配问题：该正则表达式不仅会匹配原始文件名中的"话"、"集"等字符，还会错误地匹配已经重命名的文件名(包含S01E02这样的季集信息)。

解决方案

针对这个问题，我们提出了几种解决方案：

1. 非贪婪匹配模式：

r"(.*?)第?(\d*\.*\d*)[话話集](?:END)?(.*)"

通过在第一个.*后添加?，将其改为非贪婪匹配模式，可以解决部分匹配问题。

2. 排除已重命名的文件：

r"(?!.*S\d+E\d+\.\w+$)(.*)第?(\d*\.*\d*)[话話集](?:END)?(.*)"

这个模式添加了一个负向先行断言，确保不会匹配已经包含SxxExx格式的文件名。

3. 更精确的匹配规则：

r"^(.*?)[第]?(\d+\.?\d*)[话話集](?:END)?(.*)$"

这个改进版本：

• 使用^和$确保匹配整个字符串
• 明确数字部分的匹配规则
• 使用非贪婪匹配.*?

实际效果验证

让我们用改进后的正则表达式测试几个案例：

1. 原始文件名： [Doomdos] -修真故事-第107话-[1080P].mp4

匹配结果：

• 组1: [Doomdos] -修真故事-
• 组2: 107
• 组3: -[1080P].mp4

2. 已重命名文件： 不时用俄语小声说真心话的邻桌艾莉同学 S01E02.mp4

不会被错误匹配。

总结

在开发文件重命名工具时，正则表达式的设计需要特别考虑以下几点：

1. 匹配的精确性：避免过于宽泛的匹配模式
2. 边界情况的处理：考虑文件可能被多次处理的情况
3. 性能考量：避免复杂的回溯操作

通过优化正则表达式模式，我们成功解决了Auto_Bangumi项目中文件名解析的问题，提高了工具的稳定性和可靠性。这个案例也展示了在实际开发中，正则表达式设计的重要性以及常见问题的解决方法。

对于开发者来说，这是一个很好的经验教训：在处理用户生成内容时，必须考虑各种可能的输入情况，并确保解析逻辑的健壮性。同时，这也提醒我们在设计正则表达式时，应该尽可能明确匹配规则，避免模糊的匹配模式。