使用gsub替换\r等字符遇阻，求标记区间内正则匹配方案

问题场景 #

从rvest::html_text2()处理大型HTML文件得到的文本片段中，已插入MYLINEBREAK01和MYBREAK01占位符，需要移除这两个标记之间所有多余的\r、\n及空格，最终得到格式如MYLINEBREAK01SURNAME, Name (LT)MYBREAK01的内容（无(LT)时自动忽略）。

原正则失效原因 #

你尝试的正则：

gsub("(MYLINEBREAK01)(\\r|\\r\\n| |\\n)+([a-zA-Z ()]+)(\\r|\\r\\n| \\n)+(MYBREAK01)","\\\\1\\\\3\\\\5",.)

无法匹配的核心问题：

1. 捕获组范围过窄：第三个捕获组[a-zA-Z ()]+未包含姓名中的逗号,，导致根本匹配不到SURNAME, Name这类目标内容，整个正则直接不生效。
2. 空白匹配逻辑死板：第二、四个捕获组用分支枚举空白组合，无法覆盖\r 、\n 等混合空白场景，且+要求至少一个空白，但如果中间内容前后的空白是多种字符的任意组合，匹配逻辑会断裂。

解决方案 #

使用PCRE模式（R中需指定perl=TRUE），调整正则逻辑，确保精准匹配并清理冗余空白：

通用版正则（适配多数场景） #

gsub("(MYLINEBREAK01)\\s+([^\\r\\n]+?)\\s+(MYBREAK01)", "\\1\\2\\3", ., perl = TRUE)

• \\s+：匹配任意数量的空白字符（PCRE中\s包含\r、\n、空格等所有空白类型）
• ([^\\r\\n]+?)：非贪婪捕获中间的有效内容（除换行/回车外的所有字符，保留姓名里的空格、逗号、括号）
• perl=TRUE：启用PCRE解析，保证元字符逻辑正确

精准匹配姓名格式版（如果确定内容仅为姓名） #

如果明确中间内容仅包含字母、逗号、空格、括号，可把捕获组2限定为[a-zA-Z, ()]+，进一步缩小匹配范围：

gsub("(MYLINEBREAK01)\\s+([a-zA-Z, ()]+)\\s+(MYBREAK01)", "\\1\\2\\3", ., perl = TRUE)

效果验证 #

原文本片段：

...lorem ipsumMYLINEBREAK01\r \r SURNAME, Name (LT)\r \r\nMYBREAK01lorem ipsum...

处理后得到：

...lorem ipsumMYLINEBREAK01SURNAME, Name (LT)MYBREAK01lorem ipsum...

此正则仅修改两个标记之间的内容，不会影响文本其他部分，可无缝接入你的现有处理链（插入占位符→清理标记间空白→替换其他换行符为0mylinebreak0→存入数据框→转CSV）。

内容的提问来源于stack exchange，提问作者r0berts