R语言：如何从长字符串提取指定短语的近似匹配（含拼写差异）

你的问题在于之前的方法要么只检查整个文本是否近似匹配，要么直接对比全文与目标短语的距离，没有针对文本中的子串进行近似匹配检测。以下是两种可行的解决方案：

方法一：基于stringdist的滑动窗口检测 #

通过遍历文本中所有可能的子串，计算其与目标短语的编辑距离，筛选出符合阈值的结果：

library(stringdist)
library(stringr)

pattern <- "Se abre la sesión"
text <- "Al ingresar a la aplicación, el usuario debe proporcionar sus credenciales de acceso. Si las credenciales son correctas, se abra la sesión y el usuario puede empezar a utilizar la aplicación."

max_distance <- 3
pattern_len <- nchar(pattern)
lower_pattern <- tolower(pattern)

# 生成所有可能的子串起始位置
start_positions <- seq(1, nchar(text) - pattern_len + 1)

# 遍历检测每个子串
matches <- lapply(start_positions, function(pos) {
  current_substr <- substr(text, pos, pos + pattern_len - 1)
  if (stringdist(tolower(current_substr), lower_pattern, method = "lv") <= max_distance) {
    return(current_substr)
  }
  return(NULL)
})

# 去重并提取有效匹配结果
extracted_matches <- unique(unlist(matches))
print(extracted_matches)
# 输出: "se abra la sesión"

方法二：使用fuzzywuzzyR简化模糊提取 #

fuzzywuzzyR包提供了现成的模糊匹配提取函数，无需手动实现滑动窗口：

# 先安装包（首次使用时）
# install.packages("fuzzywuzzyR")

library(fuzzywuzzyR)

pattern <- "Se abre la sesión"
text <- "Al ingresar a la aplicación, el usuario debe proporcionar sus credenciales de acceso. Si las credenciales son correctas, se abra la sesión y el usuario puede empezar a utilizar la aplicación."

# 创建提取器并执行匹配
extractor <- Extract$new(
  string = text,
  sequence = pattern,
  processor = tolower,  # 忽略大小写
  limit = 2,  # 返回最多2个匹配结果
  scorer = LevenshteinDistance$new()  # 使用Levenshtein距离计算
)

extracted_matches <- extractor$extract()
print(extracted_matches)
# 输出包含匹配文本及其相似度得分

原方法失败原因说明 #

1. 第一种方法：agrepl仅判断整个文本是否与目标短语近似匹配，返回布尔值后str_extract仍尝试提取完全一致的短语，自然无法找到变体。
2. 第二种方法：stringdist直接对比整个文本与目标短语的距离，两者长度差异极大，导致距离远超阈值，无匹配结果。

内容的提问来源于stack exchange，提问作者fiskdill