R语言中如何从指定字符串列表精准提取目标子串？

问题分析 #

你原来的正则表达式gsub("_[^_]*$|^[^_]*_","", strings, perl=T)仅去除了字符串首尾的下划线及前后内容，但第三个字符串里_201008_b.xlsx部分只去掉了_b.xlsx，剩余的_201008未被处理，导致提取结果混入日期前缀。核心需求是提取coreXX_之后、8位日期数字_YYYYMM之前的内容。

解决方案 #

方法1：使用基础R的sub函数

先将列表转为向量，通过正则捕获目标内容：

str1 <- "core21_ap_202003.xlsx"
str2 <- "core21_ap_thailand_202004.xlsx"
str3 <- "core17_eay_201008_b.xlsx"

strings <- list(str1, str2, str3)

# 提取目标内容
result <- sub("^[^_]*_(.*?)_\\d{8}.*$", "\\1", unlist(strings))
print(result)

输出结果：

[1] "ap"           "ap_thailand"  "eay"

正则解释：

• ^[^_]*_：匹配字符串开头到第一个下划线（即coreXX_部分）
• (.*?)：非贪婪捕获目标内容，直到遇到_加8位数字
• _\\d{8}.*$：匹配_加8位日期数字及后续所有内容
• \\1：替换为捕获到的目标内容

方法2：使用stringr包的str_extract（更直观）

library(stringr)

result <- str_extract(unlist(strings), "(?<=^[^_]*_).*?(?=_[0-9]{8})")
print(result)

输出结果与方法1一致。

正则解释：

• (?<=^[^_]*_)：正向断言，确保前面是coreXX_部分
• .*?：非贪婪匹配目标内容
• (?=_[0-9]{8})：正向断言，确保后面是_加8位日期数字

内容的提问来源于stack exchange，提问作者johnjohn