R语言正则提取子串：结果含空值及矩阵列表问题排查

问题重现 #

在R中尝试提取文献列表里的卷（Volume）、期（Issue）、编号（Number）内容（支持阿拉伯数字和罗马数字，如Volume II、Issue 2），regex101测试能拿到目标子串，但用str_match_all运行时，会匹配字符串每个字符，返回带大量空值的矩阵列表，仅需有效匹配结果，不需要列表/矩阵格式。当前代码：

string <- 'ABC  (2013c), Something Something Text (Volume II): Some more blabla, the usual, end of string'

pattern <- "[V|v]ol(?:ume)?\\s*(\\d+|(V?I{0,3}X?L?C{0,3}D?M?))|(?:\\s+(Issue|No|Nr|nr|no|Number)\\s*(\\d+|V?I{0,3}X?L?C{0,3}D?M?))?"
matches <- str_match_all(string , pattern)

问题原因 #

1. 可选分支导致空匹配：正则第二个分支末尾的?让整个Issue/No分支变成可选，当遍历到没有匹配卷/期/编号的位置时，正则会匹配空字符串，str_match_all会捕获这些空匹配，表现为“逐个字符匹配”。
2. 罗马数字正则宽泛：原罗马数字规则V?I{0,3}X?L?C{0,3}D?M?允许匹配空字符串，进一步增加了不必要的空匹配。
3. 字符组写法错误：[V|v]里的|是普通字符，会被当成可匹配的字符之一，正确写法应为[Vv]。

修正方案 #

1. 修正正则表达式 #

修复上述问题，同时优化罗马数字匹配规则（匹配1-3999范围内的标准罗马数字）：

pattern <- "[Vv]ol(?:ume)?\\s*(\\d+|M{0,4}(?:CM|CD|D?C{0,3})(?:XC|XL|L?X{0,3})(?:IX|IV|V?I{0,3}))|\\s+(Issue|No|Nr|Number)\\s*(\\d+|M{0,4}(?:CM|CD|D?C{0,3})(?:XC|XL|L?X{0,3})(?:IX|IV|V?I{0,3}))"

2. 提取有效结果 #

• 提取完整匹配项：如果只需要Volume II这类完整内容，用str_extract_all直接获取：

  valid_matches <- str_extract_all(string, pattern)[[1]]
  # 输出结果："Volume II"
  

• 拆分关键词与编号：如果需要单独获取关键词（如Volume）和对应的编号（如II），处理str_match_all的结果矩阵，过滤空值：

  matches_matrix <- str_match_all(string, pattern)[[1]]
  # 转换为数据框并过滤空行
  valid_df <- as.data.frame(matches_matrix)[, c(1,2,3,4)]
  valid_df <- valid_df[apply(valid_df, 1, function(row) any(!is.na(row) & row != "")), ]
  

内容的提问来源于stack exchange，提问作者H.Stevens