base R的gsub与stringr::str_replace_all行为差异原因探究

先来看你的测试场景：

txt <- ".72 2.51\n2015** 2.45 2.30 2.00 1.44 1.20 1.54 1.84 1.56 1.94 1.47 0.86 1.01\n2016** 1.53 1.75 2.40 2.62 2.35 2.03 1.25 0.52 0.45 0.56 1.88 1.17\n2017** 0.77 0.70 0.74 1.12 0.88 0.79 0.10 0.09 0.32 0.05 0.15 0.50\n2018** 0.70 0"

你调用gsub(".*2017|2018.*", "", txt)得到了预期结果：

[1] "** 0.77 0.70 0.74 1.12 0.88 0.79 0.10 0.09 0.32 0.05 0.15 0.50\n"

但stringr::str_replace_all(txt, ".*2017|2018.*", "")却只替换了2017和2018相关的片段，保留了其他内容，这背后的核心原因是两个函数使用的正则引擎对.的默认行为不同：

核心差异分析 #

1. base R的gsub()（POSIX正则引擎） #

默认情况下，POSIX正则中的.会匹配所有字符，包括换行符。这意味着：

• 你的模式.*2017会贪婪地匹配从文本开头到最后一个2017的全部内容（包括中间的换行符），也就是把".72 2.51\n2015** ...\n2016** ...\n2017"整个片段选中；
• 模式的另一个分支2018.*会匹配从第一个2018到文本结尾的所有内容；
• gsub()会全局替换所有匹配到的这些长片段，最终就剩下2017之后、2018之前的目标内容。

2. stringr::str_replace_all()（ICU正则引擎） #

ICU正则引擎中，.默认不匹配换行符，.*只能匹配同一行内的内容：

• .*2017只能匹配2017所在行的开头到2017（也就是字符串"2017"），前面的多行内容因为包含换行符，无法被这个分支匹配；
• 2018.*只能匹配2018所在行的全部内容；
• 所以str_replace_all()只会替换这两个小片段，留下了前面的所有行和2017之后的"** ... \n"部分。

让str_replace_all()得到预期结果的方法 #

只需要在正则模式前加上(?s)前缀，开启ICU的dotall模式，让.匹配包括换行符在内的所有字符即可：

stringr::str_replace_all(txt, "(?s).*2017|2018.*", "")

执行这个命令后，你会得到和gsub()完全一致的输出。

另外，你也可以反过来验证：在base R中使用perl=TRUE（启用PCRE正则，和ICU的默认行为一致），此时gsub的结果会和str_replace_all()默认结果相同：

gsub(".*2017|2018.*", "", txt, perl=TRUE)

内容的提问来源于stack exchange，提问作者qdread