R语言正则NEAR匹配多术语：解决词距限制失效问题

核心修正点 #

之前用.*会无限制匹配任意长度内容，直接导致词距规则失效。要解决这个问题，必须精确限定两个关键词之间的单词数量，同时覆盖list_a词在前、list_b词在后，以及反过来的两种语序情况。

完整实现代码 #

# 原始数据
test_strings <- c("this string referring to dummy text should be matched", 
                  "this string referring to an example of code should be matched",
                  "this string referring to texts which are kind of dumb should be matched",
                  "this string referring to an example, but with a really long gap before mentioning a word such as 'text' should not be matched")

list_a <- c("dummy", "dumb", "example", "examples")
list_b <- c("text", "texts", "script", "scripts", "code")

# 生成正则备选组
group_a <- paste(list_a, collapse = "|")
group_b <- paste(list_b, collapse = "|")

# 构造带词距限制的正则模式
# (?:\\W+\\w+){0,10} 表示最多允许10个间隔词（0个即相邻）
regex <- paste0(
  "(?i)", # 可选：开启忽略大小写匹配，按需启用
  "(?:",
  # 情况1：list_a的词在前，间隔≤10词后出现list_b的词
  "\\b", group_a, "\\b(?:\\W+\\w+){0,10}\\W+\\b", group_b, "\\b",
  "|",
  # 情况2：list_b的词在前，间隔≤10词后出现list_a的词
  "\\b", group_b, "\\b(?:\\W+\\w+){0,10}\\W+\\b", group_a, "\\b",
  ")"
)

# 筛选符合条件的字符串
result <- test_strings[grepl(regex, test_strings)]

# 输出结果
print(result)

关键细节解释 #

• \\b：单词边界，确保匹配完整单词（若需子串匹配，可移除\\b，但不建议，避免误匹配类似dumbest这类包含目标词的长单词）
• (?:\\W+\\w+){0,10}：精确控制间隔词数，{0,10}表示允许0到10个词的间隔，\\W+匹配标点、空格等非单词分隔符，\\w+匹配单个单词
• 两种顺序的模式用|合并，确保所有符合条件的语序都能被捕获

运行效果 #

返回test_strings的前3个元素，正确排除间隔超过10词的第4个字符串。

内容的提问来源于stack exchange，提问作者Isabel Thomas