如何让str_locate_all函数识别字符串中的所有重叠匹配模式？

在使用stringr包的str_locate_all函数查找字符串中的连续模式时，默认只会返回非重叠的匹配结果：

library(stringr)
string = paste0(c(5,5,5,6,6,5,5,6), collapse = "")
pattern = paste0(c(5,5), collapse = "")

str_locate_all(string, pattern)
[[1]]
     start end
[1,]     1   2
[2,]     6   7

比如在字符串'55566556'中查找'55'，位置2-3的重叠匹配会被忽略，若想得到包含所有重叠结果的输出：

> str_locate_all(string, pattern)
[[1]]
     start end
[1,]     1   2
[2,]     2   3
[3,]     6   7

可以通过正向零宽预查修改正则模式来实现：

library(stringr)
string = "55566556"
# 用正向预查匹配所有"55"的起始位置
match_positions <- str_locate_all(string, "(?=55)")[[1]]
# 计算对应结束位置（原模式长度为2，end = start + 1）
match_positions[, "end"] <- match_positions[, "start"] + 1
match_positions

运行后会输出预期的结果：

start end
[1,]     1   2
[2,]     2   3
[3,]     6   7

原理说明 #

正向预查(?=55)属于零宽度断言，它不会消耗字符串中的字符，仅检查当前位置后方是否存在"55"。匹配后指针不会移动，因此能捕捉到所有重叠的起始位置，再通过计算得到对应的结束位置即可。

内容的提问来源于stack exchange，提问作者stats_noob