如何编写正则表达式匹配并去除地址中的嵌套重复短语？

问题分析 #

原正则^(.*)/(.*)$依赖贪婪匹配逻辑，会将字符串按最后一个斜杠分割，导致像702 / 9 Paddock Street / 702 / 9 Paddock Street这类含嵌套斜杠的地址被拆分为702 / 9 Paddock Street / 702和 9 Paddock Street，trim后无法匹配，因此无法识别为重复地址。

解决方案 #

使用反向引用的正则表达式，直接匹配整个字符串是否由某段内容（可包含斜杠）重复两次组成，中间以/分隔（前后允许空格）。修改后的处理函数如下：

replace.dupe.addresses <- function(x) {
  # 匹配"X / X"格式的重复地址，X可包含斜杠
  rep_pattern <- "^\\s*(.+)\\s*/\\s*\\1\\s*$"
  trimmed_x <- trimws(x)
  # 筛选符合重复模式的地址
  idx <- grepl(rep_pattern, trimmed_x, perl = TRUE)
  # 替换为单一的重复地址段
  x[idx] <- gsub(rep_pattern, "\\1", trimmed_x[idx], perl = TRUE)
  x
}

代码说明 #

• 正则^\\s*(.+)\\s*/\\s*\\1\\s*$解析：
  • ^和$限定匹配范围为整个字符串
  • \\s*匹配任意数量的空格，处理地址前后或分隔符周围的冗余空格
  • (.+)捕获完整的重复地址段（贪婪匹配确保覆盖所有嵌套内容）
  • \\1反向引用捕获的地址段，强制要求前后两段完全一致
• 开启perl=TRUE以支持完整的反向引用功能

测试验证 #

运行以下代码验证效果：

library(data.table)
d <- data.table(name = c("bill", "tom"), address = c("35 Valerie Avenue / 35 Valerie Avenue", "702 / 9 Paddock Street / 702 / 9 Paddock Street"))
d[, address := replace.dupe.addresses(address)]
print(d)

输出结果：

name               address
1: bill 35 Valerie Avenue
2:  tom 702 / 9 Paddock Street

内容的提问来源于stack exchange，提问作者matto