如何使用正则表达式提取字符串中日期模式后的全部文本？

问题背景 #

已通过str_extract(tt1, "(\\d{2}\\s{1}\\w{3}\\s{1}\\d{4})")匹配到目标日期“07 Dec 2019”，但使用str_extract(tt1, "(\\d{2}\\s{1}\\w{3}\\s{1}\\d{4}).*")仅能提取日期所在行的部分文本且包含日期，无法获取日期后的完整内容。

待处理字符串：

tt1 <- "Football\n/\n\nColombia\n\n/\nLiga Aguila 2019\n07 Dec 2019 - Clausura - Play Offs\n1\nX\n2\nB's\n\n22:00\n\nAmerica De Cali\n\n2\n2\n–\n0\n\nJunior\n\n0\n\n2.18\n\n2.99\n\n3.59\n\n9"

预期输出：

" - Clausura - Play Offs\n1\nX\n2\nB's\n\n22:00\n\nAmerica De Cali\n\n2\n2\n–\n0\n\nJunior\n\n0\n\n2.18\n\n2.99\n\n3.59\n\n9"

解决方案 #

核心原因 #

原正则表达式中，.默认不匹配换行符，因此只能匹配到日期所在行的后续内容，无法覆盖换行后的文本。需要调整正则匹配规则或使用更直接的字符串处理方法。

方法1：移除日期部分（最直观） #

使用str_remove直接删除匹配到的日期模式，剩余内容即为目标文本：

library(stringr)

result <- str_remove(tt1, "\\d{2}\\s\\w{3}\\s\\d{4}")
cat(result)

方法2：分组捕获日期后内容 #

利用str_match的分组功能，捕获日期之后的所有文本：

result <- str_match(tt1, "(?s)\\d{2}\\s\\w{3}\\s\\d{4}(.*)")[1, 2]
cat(result)

• (?s)开启dotall模式，让.匹配包括换行在内的所有字符。

方法3：正向预查匹配（不包含日期） #

使用正向预查(?<=...)，直接匹配日期之后的全部文本，无需额外处理：

result <- str_extract(tt1, "(?s)(?<=\\d{2}\\s\\w{3}\\s\\d{4}).*")
cat(result)

修复原方法 #

如果坚持使用str_extract，只需开启dotall模式并通过分组或预查排除日期：

# 方式A：捕获分组后取第二部分
result <- str_extract(tt1, "(?s)\\d{2}\\s\\w{3}\\s\\d{4}(.*)")
result <- sub("^\\d{2}\\s\\w{3}\\s\\d{4}", "", result)

# 方式B：直接用正向预查（更简洁）
result <- str_extract(tt1, "(?s)(?<=\\d{2}\\s\\w{3}\\s\\d{4}).*")

内容的提问来源于stack exchange，提问作者M.O