需求：基于Base R实现自定义格式字段提取函数fun.extract

核心逻辑 #

针对分隔符不固定、字段内容可能包含非字母数字、行内容不完整的文本，通过解析format参数指定的字段模板，用正则锚定字段位置，提取目标内容后整理为data.frame。

函数代码 #

fun.extract <- function(text, format) {
  # 拆分format为单个字段模板
  field_templates <- strsplit(format, ";")[[1]]
  # 生成合法列名（替换非字母数字为下划线）
  col_names <- make.names(gsub("[^a-zA-Z0-9]", "_", field_templates))
  
  # 初始化结果容器
  result <- setNames(vector("list", length(field_templates)), col_names)
  
  # 拆分文本为行
  lines <- strsplit(text, "\\n")[[1]]
  
  # 逐字段处理
  for (i in seq_along(field_templates)) {
    tpl <- field_templates[i]
    # 转义模板中的特殊字符（非字母数字）
    escaped_tpl <- gsub("([^a-zA-Z0-9])", "\\\\\\1", tpl)
    
    # 构造两个正则：匹配模板后、模板前的内容
    regex_after <- paste0(".*", escaped_tpl, "\\W*(.*?)(\\W+\\w+|$)")
    regex_before <- paste0("(.*?)\\W*", escaped_tpl, ".*")
    
    # 逐行提取内容
    extracted <- sapply(lines, function(line) {
      # 先尝试匹配模板后的内容
      res <- sub(regex_after, "\\1", line)
      if (res != line) {
        return(trimws(res))
      }
      # 匹配失败则尝试模板前的内容
      res <- sub(regex_before, "\\1", line)
      if (res != line) {
        return(trimws(res))
      }
      # 都匹配失败返回NA
      return(NA_character_)
    })
    
    result[[i]] <- extracted
  }
  
  # 转换为data.frame
  as.data.frame(result, stringsAsFactors = FALSE)
}

代码解释 #

1. 模板解析：将format按分号拆分后，把模板转为合法列名，避免特殊字符干扰数据框结构。
2. 正则适配：对模板中的非字母数字字符转义，生成两个正则分别匹配模板前后的内容，兼容字段在标签前/后的两种常见结构。
3. 行处理逻辑：逐行尝试两种正则匹配，成功则返回去空白后的内容，失败则返回NA，适配行内容不完整的场景。
4. 结果整理：将所有字段的提取结果组合为data.frame，保留原始文本的行顺序。

测试示例 #

# 测试用文本（包含分隔符多样、字段缺失、内容含非字母数字的情况）
test_text <- "100-abc value | XYZ)hello-world-note
200 ; value ! DEF)hi_there-note
300 value
; GHI)test-note"

# 调用函数
fun.extract(test_text, format = "value;symbol)text-note")

输出：

value symbol_text_note
1 100-abc            hello
2    200           hi_there
3    300              <NA>
4   <NA>              test

正则细节 #

• escaped_tpl：转义模板中的特殊字符（如)、-），确保正则将其视为普通字符匹配。
• regex_after：非贪婪匹配模板后的内容，直到遇到下一个单词类标识或行尾，避免捕获无关内容。
• regex_before：捕获行开头到模板前的所有内容，适配字段在标签左侧的场景。

内容的提问来源于stack exchange，提问作者John Doe