如何在R中提取多层嵌套括号内的code IS (...)字符串

原始目标字符串 #

mystring <- c("code IS (k(384333)
   AND parse = TURE 
 ) 

              code IS (
 FROM (43343344)
 ) some information code IS 

              code IS (  ( 
 (data)(23423422 
)) ) ) and more information)")

当前问题：无法匹配嵌套括号 #

用普通正则提取时，只会匹配到第一个闭合括号就终止，结果不符合预期：

library(stringr)
> str_extract_all(pattern = 'code IS \\([\\s\\S]+?\\)', mystring)
[[1]]
[1] "code IS (k(384333)"          "code IS (
 FROM (43343344)" "code IS (  ( 
 (data)"    

期望输出 #

[[1]]
[1] "code IS (k(384333)
   AND parse = TURE 
 )"          "code IS (
 FROM (43343344)
 )" "code IS (  ( 
 (data)(23423422 
)) )" 

适配平衡括号正则的报错问题 #

尝试用递归正则匹配平衡括号时，因R的字符串转义和引擎支持问题报错：

> str_extract_all(pattern = 'code IS \((?:[^)(]+|(?R))*+\)', mystring)
Error: '\(' is an unrecognized escape in character string starting "'code IS \(" 

解决方法 #

R中要注意两点：一是字符串里的正则元字符需要双重转义，二是stringr默认用ICU引擎，不支持递归正则，得指定用PCRE引擎（加perl=TRUE参数）。

正确的代码如下：

library(stringr)
str_extract_all(mystring, pattern = 'code IS \\((?:[^()]|(?R))*+\\)', perl = TRUE)

正则说明 #

• \\(/\\)：R字符串中括号需要转两次，才能被正则引擎识别为括号元字符
• (?:[^()]|(?R))*+：非捕获组，要么匹配非括号的任意字符，要么递归匹配整个括号表达式（(?R)是PCRE的递归语法，专门用来处理嵌套平衡结构）
• perl=TRUE：启用PCRE引擎，支持递归匹配逻辑

运行这段代码就能得到符合预期的嵌套括号匹配结果。

内容的提问来源于stack exchange，提问作者Adrian