如何调整str_extract_all代码避免纤维标识重复计数？

我有如下测试数据框：

df <- data.frame(
  product = c("apple", "banana", "cherry", "durian", "eggplant", "fuyu"),
  ingredients = c("flour|fibre|500", "sugar|500", "505|wheat|flavouring", "fibre(500)|eggs", "wholegrainrice|sesameoil", "500|fibre|500"),
  stringsAsFactors = FALSE
)

我的目标是检测产品成分中是否包含纤维、统计出现次数并提取记录纤维的标识。本次分析中，纤维可表示为"fibre"、"500"或"fibre(500)"。

当前使用的代码如下：

library(tidyverse)

fibre_strings_to_check <- c("fibre", "500", "fibre\\(500\\)")

df2 <- df %>%
  mutate(
    fibre_present = str_detect(ingredients, paste(fibre_strings_to_check, collapse = "|")),
    fibre_count = str_count(ingredients, paste(fibre_strings_to_check, collapse = "|")),
    fibre_used = str_extract_all(ingredients, paste(fibre_strings_to_check, collapse = "|"))
  )

运行后得到的输出：

遇到的问题：durian产品的"fibre(500)"被拆分为"fibre"和"500"两次计数，我希望它被计为1次纤维标识，期望输出如下：

问题核心是正则匹配的优先级：原代码把短模式放在前面，导致"fibre(500)"被拆分为两个子串匹配。以下两种方法可解决该问题：

方法1：调整正则匹配顺序 #

将更具体、更长的模式放在匹配列表最前面，让正则引擎优先匹配完整的"fibre(500)"，再匹配其他短模式：

library(tidyverse)

# 优先匹配完整的"fibre(500)"，再匹配其他模式
fibre_strings_to_check <- c("fibre\\(500\\)", "fibre", "500")

df2 <- df %>%
  mutate(
    fibre_present = str_detect(ingredients, paste(fibre_strings_to_check, collapse = "|")),
    fibre_count = str_count(ingredients, paste(fibre_strings_to_check, collapse = "|")),
    fibre_used = str_extract_all(ingredients, paste(fibre_strings_to_check, collapse = "|"))
  )

方法2：拆分成分后匹配（更精准） #

由于成分是用|分隔的独立项，先拆分成分列表再逐一匹配，可彻底避免部分匹配的问题：

library(tidyverse)

fibre_patterns <- c("fibre", "500", "fibre\\(500\\)")

df2 <- df %>%
  # 按|拆分成分列表
  mutate(ingredient_list = str_split(ingredients, "\\|")) %>%
  # 筛选出属于纤维标识的成分
  mutate(
    fibre_used = map(ingredient_list, ~keep(.x, .x %in% fibre_patterns)),
    fibre_count = map_int(fibre_used, length),
    fibre_present = fibre_count > 0
  ) %>%
  # 移除中间辅助列
  select(-ingredient_list)

运行任意一种方法，都能得到期望的输出：durian的fibre_count变为1，fibre_used为"fibre(500)"。

内容的提问来源于stack exchange，提问作者Jay Bee