在R中使用str_match_all无法提取特定子串到新变量的问题

核心问题分析 #

• 正则表达式逻辑错误：你使用的(?<= From).+(?>=\\s)既没有精准定位From后带引号的状态文本，还存在正向预查语法错误（多了额外的=符号）
• 代码变量混乱：存在变量名不匹配（定义from却用source赋值）、初始对象未正确初始化、匹配link/date的正则与原字符串格式不符（原字符串无Link:/Date:标识）等问题

修正方案 #

1. 精准匹配的正则表达式

针对提取From后的状态，使用专门匹配引号内文本的正则：

# 仅提取From后的状态
str_match_all(col1, 'From "([^"]+)"')[[1]][, 2]

正则解释：

• From "：匹配固定前缀
• ([^"]+)：捕获引号内所有非引号字符（即目标状态文本）
• "：匹配闭合引号

如果要一次性提取From/To状态、日期、负责用户，可使用更完整的正则：

pattern <- 'From "([^"]+)" --> "([^"]+)" on ([0-9/]+) - ([0-9:]+) by ([^ ]+)'
matches <- str_match_all(col1, pattern)[[1]]

该正则会捕获以下内容：

• 第2列：from状态
• 第3列：to状态
• 第4列：日期
• 第5列：时间
• 第6列：负责用户

2. 重构代码（用tidyverse实现高效向量式操作）

替换原循环代码，避免循环常见错误：

library(tidyverse)

# 读取并预处理原始数据
newERM2019Over <- read.csv("ERM Events2019over.csv", fileEncoding = "latin1")
newERM2019Over <- newERM2019Over %>% 
  mutate(NodeID = Node.ID) # 修正原代码的变量名拼写错误

# 提取审核历史的所有字段
mod_history_df <- newERM2019Over %>%
  mutate(
    # 匹配每条审核记录的所有字段
    mod_matches = map(Moderation.history, ~str_match_all(.x, 'From "([^"]+)" --> "([^"]+)" on ([0-9/]+) - ([0-9:]+) by ([^ ]+)')[[1]]),
    # 将匹配结果转为结构化数据框
    mod_data = map(mod_matches, ~as.data.frame(.x, stringsAsFactors = FALSE) %>%
                    select(from = V2, to = V3, date = V4, user_responsible = V6))
  ) %>%
  unnest(mod_data) %>%
  select(NodeID, from, to, date, user_responsible)

# 合并原始数据与提取的审核历史
newERM2019Over_Mod_History <- left_join(newERM2019Over, mod_history_df, by = "NodeID")

3. 原循环代码的关键修正（若坚持使用循环）

• 初始化df对象，避免rbind时报错
• 统一变量名：将source替换为from
• 修正日期、用户的提取正则（原字符串无Link:/Date:标识）：

date <- str_match_all(col1, '(?<=on )[0-9/]+')[[1]][,1]
user_responsible <- str_match_all(col1, '(?<=by )[^ ]+')[[1]][,1]

测试验证 #

用你提供的测试字符串验证提取效果：

test_str <- 'From "Submitted to QM" --> "Published" on 06/06/2019 - 09:16 by user@example.com From "Under revision request" --> "Submitted to QM" on 23/05/2019 - 11:42 by Andyprendergast From "Submitted to QM" --> "Under revision request" on 20/05/2019 - 15:10 by user@example.com From "Submitted to QM" --> "Submitted to QM" on 15/05/2019 - 17:14 by user@example.com From "Draft" --> "Submitted to QM" on 13/05/2019 - 10:13 by Andyprendergast'

# 提取From后的状态
str_match_all(test_str, 'From "([^"]+)"')[[1]][,2]
# 输出结果：
# [1] "Submitted to QM"        "Under revision request" "Submitted to QM"        "Submitted to QM"        "Draft"

内容的提问来源于stack exchange，提问作者Lucian