使用tidyr::extract处理非全部存在的分组时遇到的问题

问题出在两个核心细节上：

• 正则未锚定整个字符串，且可选组前的空格处理不当，导致仅含单个条目（如第二行）的字符串无法匹配
• 字符类写法错误：[a|b]会错误匹配a、|、b，二选一的正确写法是[ab]

正确实现代码 #

library(tidyverse)
foo <- data.frame(test = c("a big tomato b big orange", "b big tomato", "b big apple a big pear"))

# 锚定首尾，将第二个完整条目（含前置空格）设为可选
extract(foo, test, into = c("group_1", "fruit_1", "group_2", "fruit_2"), 
        regex = "^([ab]) big ([a-zA-Z]*)(?: ([ab]) big ([a-zA-Z]*))?$")

输出结果 #

group_1 fruit_1 group_2 fruit_2
1       a  tomato       b  orange
2       b  tomato    <NA>    <NA>
3       b   apple       a    pear

正则说明 #

• ^ 和 $：锚定字符串的开头和结尾，确保正则匹配整个输入内容，避免部分匹配导致的NA结果
• ([ab]) big ([a-zA-Z]*)：匹配第一个必填的组-水果组合
• (?: ([ab]) big ([a-zA-Z]*))?：将第二个完整的组-水果组合（含前置空格）设为非捕获可选结构，?标记该部分可出现0次或1次，?:表示不捕获整个可选组，仅保留内部的两个捕获组

内容的提问来源于stack exchange，提问作者tjebo