使用R语言stringr包提取URL中utm_source值的正则问题

问题出在你用的.*是贪婪匹配，它会从utm_source=后面一直匹配到URL中最后一个&的位置，所以才会带上后面的参数内容。可以用以下两种方式修正：

方案1：使用非贪婪匹配 #

把正则里的.*改成.*?，让匹配在遇到第一个&时就停止：

library(stringr)

urls <- c(
  "http://www.google.com?utm_source=site_corriere&utm_medium=video&utm_content=box",
  "http://www.google.com?utm_source=site_rep&utm_medium=display&utm_content=box",
  "http://www.google.com?utm_source=site_fattoquotidiano&utm_medium=social&utm_content=box",
  "http://www.google.com?utm_source=site_inter&utm_medium=video&utm_content=box",
  "http://www.google.com?utm_source=site_foglio&utm_medium=video&utm_content=box"
)

result <- str_extract(urls, "(?<=utm_source=).*?(?=&)")
print(result)

方案2：使用精准字符匹配（推荐） #

因为utm_source的取值里不会包含&，可以直接匹配所有非&的字符，这种方式效率更高：

result <- str_extract(urls, "(?<=utm_source=)[^&]+")
print(result)

两种方案运行后都会得到你期望的结果：
[1] "site_corriere" "site_rep" "site_fattoquotidiano" "site_inter" "site_foglio"

内容的提问来源于stack exchange，提问作者paolotroia