使用stringr提取地名时Colombia.匹配异常的技术问询

问题背景 #

需要从字符串中提取第一个ref. [数字]]之后到第一个有效英文句号的内容，需忽略以下带句号的特殊缩写：

• km.
• ca.
• U.S.（包括U.S.A.中的U.S.结构）

当前正则表达式误将Colombia.中的a.判定为需忽略的情况，导致第一个示例提取内容包含后续无关文本，其余示例可正常工作。

问题分析 #

原正则表达式(?<=ref.\s[:digit:]{1,6}]\s).*?[^\s(km|ca|U\.S\.)\.](?=\.\s)存在逻辑错误：

• [^\s(km|ca|U\.S\.)\.]是字符组而非分组，它会匹配任何不是空格、括号、k、m、c、a、U、.、S的字符，完全偏离了“忽略特定缩写句号”的需求。
• 无法正确识别目标结束的有效句号，导致匹配范围过度延伸。

修正方案 #

使用负向预查断言排除需要忽略的缩写句号，确保只匹配到第一个有效句号前的内容。修正后的正则会逐个字符检查，确保当前位置不是km.、ca.或U.S.的起始位置，直到遇到第一个有效句号。

修正后的代码 #

library(dplyr)
library(stringr)

places <- tibble(
  text = c(
    "versity Studies No. 19; ref. 1259] Villavicencio, Río Orinoco system, Colombia. Holotype: FMNH 56646 [ex CM 5463]. Paratypes: (6) ",
    "versity Studies No. 19; ref. 1259] Villavicencio, Río Orinoco system, Colombie. Holotype: FMNH 56646 [ex CM 5463]. Paratypes: (6) ",
    "ions No. 457 (art. 17); ref. 2247] Roadside pool, 3 kilometers south of Progreso, Yucatán, southeastern Mexico. Holotype: UMMZ 102144. Paratypes: UMMZ 102145 (3). •Syn",
    "for 2001); ref. 27036] La Sapayera stream, near the bridge km. 2 vía Guadalupe-Florencia, 1°59'27\"N, 75°45'08\"W, afluent of La Viciosa stream, río Suaza system, upper Magdalena, Cachimba trail, Municipality of Guadalupe, Department of Huila, Colombia, elevation 952 meters. Holotype: IUQ 422. Par",
    "); ref. 30495] Rio Iguaçu, ca. 25°43'S, 49°44'W, Serrinha, Paraná, Brazil. Holotype: FMN",
    ". 4 (no. 2) (art. 7); ref. 1261] Corumba, río Otuquis, Ascunción, Paraguay. Holo",
    "); ref. 14367] Not: Puerto Mexico [Coatzacoalcos], Veracruz State, Isthmus of Tehuantepec, Mexico [probably Panama]. Holotype",
    "hia v. 7; ref. 168] Upper tributaries of Nueces River, Texas, U.S.A. Lectotype: BMNH 1883.12.14.107. Paralectotype"
  )
)


places %>% 
  mutate(
    type_locality = stringr::str_extract(text, "(?<=ref\\.\\s\\d{1,6}]\\s)(?:(?!km\\.|ca\\.|U\\.S\\.).)*?(?=\\.\\s)")
  ) %>% 
  relocate(type_locality)

关键正则解释 #

• (?<=ref\\.\\s\\d{1,6}]\\s)：正向回顾后发断言，锁定ref. [数字]] 之后的起始位置。
• (?:(?!km\\.|ca\\.|U\\.S\\.).)*?：非捕获组，通过负向预查逐个字符校验，确保当前位置不是目标缩写的起始点，*?非贪婪匹配避免过度延伸。
• (?=\\.\\s)：正向预查，匹配句号+空格的结束标记，确保提取截止到有效句号前。

验证结果 #

修正后所有示例均可正确提取目标地名：

1. 第一个示例提取结果：Villavicencio, Río Orinoco system, Colombia
2. 含km./ca.的示例会自动跳过缩写句号，匹配到完整地名
3. 含U.S.A.的示例会跳过U.S.的句号，提取到Upper tributaries of Nueces River, Texas, U.S.A

内容的提问来源于stack exchange，提问作者Bruno Mioto