如何使用R正则表达式提取提交信息中的ID格式子串？

问题背景 #

现有格式类似如下的Commit消息列表（对应代码中的c_commits）：

test_data <- c(
  "Fix 1 ID-2229\n",
  "Fix 2.\n",
  "Fix 3 issue ID-2222",
  "ID-2088: Fix 4",
  "ID-1984: Fix 5\n",
  "ID-1984: Fix 6"
)

当前使用正则表达式pattern <- "id-[0-9]+"，希望提取出ID-2088这类格式的ID，询问该方案是否可行及更优实现方式。

原正则的问题与修正 #

原正则无法直接正确提取目标ID，核心原因是R正则默认大小写敏感，而目标ID以大写ID-开头。可通过两种方式修正：

• 直接匹配大写格式：pattern <- "ID-[0-9]+"
• 启用大小写忽略：在匹配函数中指定ignore.case = TRUE（base R函数适用），或用PCRE修饰符(?i)：pattern <- "(?i)id-[0-9]+"（stringr等工具适用）

提取实现方法 #

方法1：使用stringr包（推荐，语法简洁） #

stringr属于tidyverse工具链，字符串处理逻辑更直观：

library(stringr)

changes <- reactive({
  # 原有环境、Commit筛选逻辑...
  c_commits <- commits[commits$committed_date > this_commit$created_at,]$message
  
  # 提取单条Commit中的第一个ID，无ID的条目返回NA
  id_list <- str_extract(c_commits, "(?i)ID-\\d+")
  # 过滤空值，得到纯ID列表
  id_list <- na.omit(id_list)
  
  id_list
})

如果单条Commit可能包含多个ID，改用str_extract_all并扁平化结果：

id_list <- unlist(str_extract_all(c_commits, "(?i)ID-\\d+"))

方法2：使用base R原生函数 #

无需额外安装包，通过gregexpr和regmatches组合实现：

changes <- reactive({
  # 原有环境、Commit筛选逻辑...
  c_commits <- commits[commits$committed_date > this_commit$created_at,]$message
  
  pattern <- "ID-[0-9]+"
  # 匹配所有符合规则的内容，忽略大小写
  matches <- gregexpr(pattern, c_commits, ignore.case = TRUE)
  id_list <- unlist(regmatches(c_commits, matches))
  
  id_list
})

更优正则优化方案 #

如果ID格式有明确规则，可以进一步优化正则提升精准度：

• 匹配固定位数的数字（例如ID后固定4位数字）：pattern <- "(?i)ID-\\d{4}"
• 添加单词边界，避免匹配XID-1234这类无效内容：pattern <- "(?i)\\bID-\\d+\\b"
• 匹配行首的ID（若ID常出现在Commit消息开头）：pattern <- "(?i)^ID-\\d+"（需结合perl=TRUE支持行首锚点）

内容的提问来源于stack exchange，提问作者Theo Sweeny