跨多行提取SSN的正则表达式及R语言输出方案咨询

核心思路 #

由于SSN分散在SSN:起始行及后续空白开头的行中，先将每行文本合并为完整字符串，再用正则精准匹配所有符合格式的9位数字，最后按需整理输出结构。

代码实现 #

1. 合并行文本 #

先把read_lines读取的向量f合并为单一字符串，方便处理跨行内容：

f_text <- paste(f, collapse = "\n")

2. 提取所有SSN #

用正向预查正则匹配所有属于SSN块的9位数字，一步到位：

library(stringr)
all_ssns <- str_extract_all(f_text, "(?<=SSN:|\\n\\s+)\\d{9}")[[1]]

正则说明：(?<=SSN:|\\n\\s+)限定匹配的9位数字必须紧跟SSN:或换行+空白字符，确保只提取目标SSN。

输出格式处理 #

最佳实践：单SSN一行的data.frame #

这是最便于后续数据处理（筛选、关联等）的结构：

ssn_df <- data.frame(SSN = all_ssns)

按Phase分组的关联data.frame #

如果需要绑定SSN所属的Phase：

# 拆分出每个Phase的文本块
phase_blocks <- str_split(f_text, "^-+ Phase \\d+ -+", n = Inf, perl = TRUE)[[1]][-1]

# 提取每个Phase对应的SSN并合并
phase_ssn_df <- do.call(rbind, lapply(seq_along(phase_blocks), function(i) {
  ssns <- str_extract_all(phase_blocks[i], "(?<=SSN:|\\n\\s+)\\d{9}")[[1]]
  data.frame(Phase = paste0("Phase ", i), SSN = ssns)
}))

单单元格逗号分隔的data.frame #

若需每个Phase一行、SSN用逗号拼接：

phase_ssn_collapsed_df <- do.call(rbind, lapply(seq_along(phase_blocks), function(i) {
  ssns <- str_extract_all(phase_blocks[i], "(?<=SSN:|\\n\\s+)\\d{9}")[[1]]
  data.frame(Phase = paste0("Phase ", i), SSNs = paste(ssns, collapse = ", "))
}))

列表格式 #

按SSN块分组的列表结构：

ssn_blocks <- str_extract_all(f_text, "SSN:\\s+\\d{9}(\\n\\s+\\d{9})*")[[1]]
ssn_list <- lapply(ssn_blocks, function(block) str_extract_all(block, "\\d{9}")[[1]])
names(ssn_list) <- paste0("Phase ", seq_along(ssn_list))

原正则失败原因 #

你的原正则"SSN:\\s+\\d{9}(\\n\\s\\d{9})?"存在两个问题：

• ?仅允许匹配最多1个后续SSN行，需改为*（允许0或多个）或+（允许1或多个）
• 后续行的空白匹配用\\s仅匹配单个空白，实际数据是多个空白，需改为\\s+匹配1个及以上空白字符

内容的提问来源于stack exchange，提问作者hackR