R语言提取多被告信息：移除d1后full_text未变更的解决方法

一、gsub移除d1无效的原因 #

1. 正则匹配规则干扰：gsub默认将匹配内容视为正则表达式，若d1中包含括号、星号这类正则元字符，会直接导致匹配失败；哪怕示例中没有这类字符，实际数据存在时就会出问题。
2. 字符串类型/编码问题：R数据框默认将字符串存为因子类型，如果df$d1没转成字符型，gsub会用因子的水平值而非实际文本匹配，自然找不到对应内容；另外原文本与提取的d1可能存在不可见空格、编码差异，也会导致匹配失效。
3. 原提取逻辑的潜在误差：str_extract(df$full_text, "Defendant.*。")会匹配从第一个Defendant到最后一个中文句号的全部内容，再通过sub截断到第一个句号，这可能导致d1与原文本对应片段存在细微差异（比如末尾空格不一致），进而无法匹配。

二、更高效的实现方法 #

无需先删除d1再提取d2，直接批量处理即可：

方法1：一次性提取所有被告语句 #

用stringr包的str_match_all精准抓取所有符合要求的句子，再分配到d1、d2列：

library(stringr)

# 匹配所有以Defendant开头、到中文句号结束的独立句子
defendant_lines <- str_match_all(df$full_text, "Defendant[^。]+。")

# 给d1、d2赋值，无对应内容则填充NA
df$d1 <- sapply(defendant_lines, function(x) x[1, 1])
df$d2 <- sapply(defendant_lines, function(x) if (length(x) >= 2) x[2, 1] else NA)

• 正则"Defendant[^。]+。"的作用是：精准匹配以Defendant开头，后续跟任意非中文句号的字符，直到碰到第一个中文句号为止，不会过度抓取多个句子。

方法2：修正原思路的代码 #

如果要沿用先删除再提取的逻辑，需做两点关键修正：

library(stringr)

# 提取d1并转为字符型，规避因子类型的坑
df$d1 <- as.character(sub("(。).*", "\\1", str_extract(df$full_text, "Defendant.*。")))

# 使用fixed=TRUE做纯文本精准匹配，跳过正则解析
df$full_text_clean <- gsub(df$d1, "", df$full_text, fixed = TRUE)

# 提取d2
df$d2 <- sub("(。).*", "\\1", str_extract(df$full_text_clean, "Defendant.*。"))

• fixed=TRUE强制gsub将d1视为普通文本匹配，避免把字符误判为正则元字符；
• 转换d1为字符型，彻底解决因子类型导致的匹配失效问题。

内容的提问来源于stack exchange，提问作者Xinyan LIU