R语言中如何提取模式间多段字符串并按需返回指定条目

问题场景 #

你需要从字符串里提取Fabricante:和CNPJ:之间的公司名称，目标字符串里有3组匹配结果，但用普通gsub要么只拿到第一条（非贪婪模式）要么只拿到最后一条（贪婪模式），尝试str_match_all也没成功，想要实现按需提取第1/2/3条，还能结合mutate批量处理数据集生成对应变量。

解决办法 #

1. 先提取所有匹配项，再按需取值 #

用stringr的str_extract_all可以一次性把所有符合条件的内容抓出来，之后直接按索引取对应条目：

library(stringr)

# 模拟你的目标字符串
target_str <- "Fabricante: 阿尔法公司 CNPJ: 111 Fabricante: 贝塔工厂 CNPJ: 222 Fabricante: 伽马实业 CNPJ: 333"

# 提取所有匹配的公司名
all_companies <- str_extract_all(target_str, "(?<=Fabricante: )(.*?)(?= CNPJ:)")[[1]]

# 按需获取对应条目
all_companies[1] # 取第一条
all_companies[2] # 取第二条
all_companies[3] # 取第三条

这里用了正向断言：(?<=Fabricante: )确保匹配内容在Fabricante: 之后，(?= CNPJ:)确保匹配内容在 CNPJ:之前，精准定位区间，不会把前后的标识字符串带进来。

2. 结合dplyr::mutate批量处理数据集 #

如果要给整个数据集新增company_1、company_2、company_3这三个变量，可以这么写：

library(dplyr)
library(purrr)
library(stringr)

df <- df %>%
  mutate(
    # 先把每行的所有匹配结果存成列表列
    all_matches = str_extract_all(manufacturing_location, "(?<=Fabricante: )(.*?)(?= CNPJ:)"),
    # 按位置提取，没有对应匹配就填NA
    company_1 = map_chr(all_matches, ~ if (length(.x) >= 1) .x[1] else NA_character_),
    company_2 = map_chr(all_matches, ~ if (length(.x) >= 2) .x[2] else NA_character_),
    company_3 = map_chr(all_matches, ~ if (length(.x) >= 3) .x[3] else NA_character_)
  ) %>%
  # 可选：删掉临时的列表列
  select(-all_matches)

3. 不用stringr的基础R实现 #

如果不想加载额外包，用基础R的gregexpr和regmatches也能实现：

# 提取所有匹配
matches <- regmatches(target_str, gregexpr("(?<=Fabricante: )(.*?)(?= CNPJ:)", target_str, perl = TRUE))[[1]]

# 取对应条目
matches[1]
matches[2]
matches[3]

为什么之前的方法没成功？ #

• 普通gsub不管贪婪还是非贪婪模式，都只会返回第一个或最后一个匹配结果，因为它的逻辑是替换整个字符串，只保留捕获组的内容
• 用str_match_all时，需要注意它返回的是矩阵格式，要正确提取捕获组的列，比如str_match_all(target_str, "Fabricante: (.*?) CNPJ:")[[1]][,2]就能拿到所有匹配的公司名，之前可能是没取对列导致失败

内容的提问来源于stack exchange，提问作者Joao Francisco Pugliese