使用stringi提取命名捕获组：作为无名捕获组首子项时名称丢失

当使用R的stringi包（基于ICU正则引擎）提取命名捕获组时，若命名组作为外层无名捕获组的第一个子项，会出现命名丢失、仅保留序号索引的情况，以下是具体分析和解决方法：

问题复现 #

直接运行示例代码可观察到现象：

library(stringi)

stri_locate_all_regex("ab", "((?<letterone>[a-z])(?<lettertwo>[a-z]))", capture_groups = TRUE)
#> [[1]]
#>      start end
#> [1,]     1   2
#> attr("capture_groups")
#> attr("capture_groups")[[1]]
#>      start end
#> [1,]     1   2
#> 
#> attr("capture_groups")[[2]]
#>      start end
#> [1,]     1   1
#> 
#> attr("capture_groups")$lettertwo
#>      start end
#> [1,]     2   2

可以看到，letterone组仅以序号[[2]]存在，丢失了命名标识；但如果在外层组内添加无操作前置项（如a{0}），命名组就能正常显示：

stri_locate_all_regex("ab", "(a{0}(?<letterone>[a-z])(?<lettertwo>[a-z]))", capture_groups = TRUE)
#> [[1]]
#>      start end
#> [1,]     1   2
#> attr("capture_groups")
#> attr("capture_groups")[[1]]
#>      start end
#> [1,]     1   2
#> 
#> attr("capture_groups")$letterone
#>      start end
#> [1,]     1   1
#> 
#> attr("capture_groups")$lettertwo
#>      start end
#> [1,]    2    2

原因说明 #

这是stringi与ICU正则引擎交互时的已知边缘场景行为：当命名捕获组是外层无名捕获组的第一个子组件时，stringi的capture_groups属性会优先用序号索引覆盖命名标识，而非同时保留两种索引方式。

解决方案 #

1. 将外层无名组改为非捕获组 #

如果不需要外层捕获组的匹配结果，直接把(...)改成非捕获组(?:...)，这样外层组不会占用序号，命名组就能正常被识别：

stri_locate_all_regex("ab", "(?:(?<letterone>[a-z])(?<lettertwo>[a-z]))", capture_groups = TRUE)
#> [[1]]
#>      start end
#> [1,]     1   2
#> attr("capture_groups")
#> attr("capture_groups")$letterone
#>      start end
#> [1,]     1   1
#> 
#> attr("capture_groups")$lettertwo
#>      start end
#> [1,]     2   2

2. 添加无意义前置占位符 #

如果必须保留外层捕获组，可在外层组内添加一个不影响匹配的空非捕获组(?:)作为前置项，让命名组不再是第一个子项：

stri_locate_all_regex("ab", "((?:)(?<letterone>[a-z])(?<lettertwo>[a-z]))", capture_groups = TRUE)

3. 使用stri_match_all_regex提取命名组 #

stri_match_all_regex返回的结果会将命名捕获组作为列名，更稳定，可直接通过列名提取：

matches <- stri_match_all_regex("ab", "((?<letterone>[a-z])(?<lettertwo>[a-z]))")[[1]]
letterone <- matches[, "letterone"]
lettertwo <- matches[, "lettertwo"]

结论 #

该现象并非严格意义上的Bug，属于stringi处理嵌套捕获组时的特殊逻辑，通过调整正则结构或换用其他提取函数即可解决。

内容的提问来源于stack exchange，提问作者Erik A