R语言正则提取含双引号的子名字段问题求助

原代码 #

ex02ChildrenInverse <- function(sentence) {
  
  assertString(sentence)
  
  matches <- regmatches(
    
    sentence,
    
    regexec('^(.*?) is the (father|mother) of &quot;(.*?)&quot;', sentence))[[1]]
  
  parent <- matches[[2]]
  
  male <- matches[[3]] == "father"
  
  child <- matches[[4]]
  child <- gsub('&quot;.*&quot;', '', matches[4])
  
  return(list(parent = parent, male = male, child = child))
}

问题说明 #

当前代码无法正确提取包含内嵌双引号的子名，例如输入：

input <- 'Gudrun is the mother of &quot;Rosamunde (&quot;Rosi&quot;)&quot;.'

当前输出：

$parent
[1] "Gudrun"

$male
[1] FALSE

$child
[1] "Rosamunde ("

期望输出：

$parent
[1] "Gudrun"

$male
[1] FALSE

$child
[1] "Rosamunde ("Rosi")"

修复方案 #

问题根源有两点：

• 原正则使用非贪婪匹配.*?，导致第三个捕获组遇到第一个闭合的"就终止匹配，无法覆盖内嵌双引号的完整子名；
• 后续的gsub语句逻辑错误，会误删子名中的有效内容。

修改后的代码 #

ex02ChildrenInverse <- function(sentence) {
  
  assertString(sentence)
  
  # 调整正则：用正向断言匹配到最后一个&quot;前的全部内容
  matches <- regmatches(
    sentence,
    regexec('^(.*?) is the (father|mother) of &quot;(.*)(?=&quot;)', sentence))[[1]]
  
  parent <- matches[[2]]
  male <- matches[[3]] == "father"
  child <- matches[[4]]  # 直接使用捕获到的完整子名
  
  return(list(parent = parent, male = male, child = child))
}

关键修改说明 #

1. 将正则中第三个捕获组的.*?改为.*（贪婪匹配），并结合正向断言(?=")限定匹配边界为最后一个"，确保捕获到从开头到末尾闭合引号前的全部内容；
2. 移除错误的gsub语句，直接使用捕获组提取的内容作为子名。

如果你的输入中实际使用的是R原生的双引号转义（即\"而非"），只需将正则中的"替换为"即可：

regexec('^(.*?) is the (father|mother) of "(.*)(?=")', sentence)

内容的提问来源于stack exchange，提问作者tong tong