R语言：提取关键词对间非空白内容的特殊规则实现需求

问题说明 #

需要从长字符串里提取连续关键词对之间的有效内容：如果两个关键词之间只有空白，就跳过空白，找下一个右边界关键词，提取中间的非空白内容。

示例数据 #

• 目标长字符串：

  "Str. A. Str. B. Str. B. Some data. Str. A. More data. Str. B. Other data. Str. A. Str. B. Str. B. Some more data."
  

• 完整关键词列表：

  c("Str. A.", "Str. B.", "Str. A.", "Str. B.", "Str. A.", "Str. B.")
  

期望输出 #

keywords content
Str. A.  Str. B.            
Str. B.  Some data.         
Str. A.  More data.         
Str. B.  Other data.
Str. A.  Str. B.
Str. B.  Some more data.

之前尝试的无效方法 #

• 用strsplit()函数，处理不了关键词间仅含空白的场景；
• 尝试正则提取后移除已处理部分循环操作，同样解决不了空白问题；
• 仅当关键词不含空白时，能用^Str\.A\.\s+(\S+)\s+Str\.B\.提取，但不想把移除关键词空白作为最终方案。

可行解决方案 #

通过循环遍历关键词列表，结合正则表达式逐步匹配并处理空白场景，使用stringr包简化操作：

library(stringr)

# 输入数据
target_str <- "Str. A. Str. B. Str. B. Some data. Str. A. More data. Str. B. Other data. Str. A. Str. B. Str. B. Some more data."
keywords <- c("Str. A.", "Str. B.", "Str. A.", "Str. B.", "Str. A.", "Str. B.")

# 初始化结果数据集
result <- data.frame(keywords = character(), content = character(), stringsAsFactors = FALSE)

# 遍历每一组连续关键词
for (i in 1:(length(keywords)-1)) {
  current_key <- keywords[i]
  next_key <- keywords[i+1]
  
  # 转义关键词中的正则特殊字符（比如.）
  current_key_esc <- str_replace_all(current_key, "\\.", "\\\\.")
  next_key_esc <- str_replace_all(next_key, "\\.", "\\\\.")
  
  # 正则1：匹配当前关键词到下一个关键词之间的非空白内容
  pattern_content <- str_glue("^{current_key_esc}\\s+((?:(?!{next_key_esc}).)+)\\s+{next_key_esc}")
  match_content <- str_match(target_str, pattern_content)
  
  if (!is.na(match_content[1,2])) {
    # 提取并清理内容
    content <- str_trim(match_content[1,2])
    result <- rbind(result, data.frame(keywords = current_key, content = content))
    # 移除已处理的字符串部分
    target_str <- str_replace(target_str, pattern_content, "")
  } else {
    # 正则2：处理关键词间仅含空白的情况，把下一个关键词作为内容
    pattern_blank <- str_glue("^{current_key_esc}\\s+{next_key_esc}")
    if (str_detect(target_str, pattern_blank)) {
      result <- rbind(result, data.frame(keywords = current_key, content = next_key))
      target_str <- str_replace(target_str, pattern_blank, "")
    }
  }
}

# 处理最后一个关键词对应的剩余内容
if (str_trim(target_str) != "") {
  result <- rbind(result, data.frame(keywords = keywords[length(keywords)], content = str_trim(target_str)))
}

# 输出结果
print(result, row.names = FALSE)

代码逻辑说明 #

1. 关键词转义：把关键词里的.转义成\.，避免正则误匹配；
2. 双正则匹配：
   • 优先匹配关键词间的有效内容，提取后更新剩余字符串；
   • 若匹配失败（说明中间只有空白），则匹配连续两个关键词，把后一个关键词作为当前关键词的内容；
3. 剩余内容收尾：遍历完关键词对后，把字符串里剩下的内容赋值给最后一个关键词。

内容的提问来源于stack exchange，提问作者xikeck