R语言正则表达式问题：如何精准提取导演名字（排除姓氏前缀）

背景与现有代码 #

我通过以下R代码获取了IMDB用户评分Top250电影的导演列表：

doc <- GET("https://www.imdb.com/chart/top")

pagetext <- content(doc, as = "text")

directors <- str_extract_all(pagetext, '(?<=")[^"]*(?=\\s\\(dir\\.\\))')

dir_table <- sort(table(directors), decreasing = TRUE)

dir_250 <- data.frame(dir_table)

将其转换为数据框后，添加了单名导演“Billy”用于测试：

dir_250$directors <- as.character(dir_250$directors)
dir_250 <- rbind(dir_250, c("Billy", 1))

使用regex1成功提取了导演姓氏（Billy返回NA符合预期）：

regex1 <- 
  "((?<=\\s)(O\\'|[Dd]e(l)?(\\sla)?|[Vv](an|on))?\\s*[[:alpha:]]+\\-?[[:alpha:]]+)$"

str_extract(dir_250$directors, regex1)

但使用regex2提取名字时，错误将Van、de这类姓氏前缀包含进去：

regex2 <- 
".*(?=(\\s(O\\'|[Dd]e(l)?(\\sla)?|[Vv](an|on))?\\s*[[:alpha:]]+\\-?[[:alpha:]]+)$)"
str_extract(dir_250$directors, regex2)

示例中，输入names <- c("Gus Van Sant", "George Roy Hill", "Paul Thomas")，regex2提取结果为[1] "Gus Van" "George Roy" "Paul"，而预期结果是[1] "Gus" "George Roy" "Paul"。尝试多种修正均无效，求能正确提取名字的正则表达式写法。

解决方案 #

可以使用以下正则表达式来准确提取名字部分：

regex_fixed <- "^.*?(?=\\s(?:O'|[Dd]e(l)?(?:\\sla)?|[Vv](an|on))?\\s*[[:alpha:]]+\\-?[[:alpha:]]+$)"

测试示例：

names <- c("Gus Van Sant", "George Roy Hill", "Paul Thomas", "Billy")
str_extract(names, regex_fixed)

输出结果：

[1] "Gus"         "George Roy"  "Paul"        NA

修正说明 #

原regex2中的.*是贪婪匹配，会尽可能多的包含字符，导致把姓氏前缀（如Van）也纳入名字部分。改用.*?非贪婪匹配，让正则在遇到第一个符合姓氏前缀+姓氏的组合时就停止匹配，从而准确截断名字部分。同时用(?:...)将前缀部分改为非捕获组，不影响匹配逻辑的同时优化性能。

内容的提问来源于stack exchange，提问作者Gideon Parry