R语言正则表达式：从格式不统一的字符串中提取起止年份

可以通过正则表达式实现这两个提取需求，对应的正则及说明如下：

1. 提取开始年份（破折号前的首个四位数字） #

正则表达式：

(\d{4})(?=[^-]*-)

说明 #

• \d{4}：匹配连续四位数字（年份格式）
• (?=[^-]*-)：正向预查规则，确保匹配的四位数字后面存在破折号，且两者之间没有其他破折号，以此锁定破折号前的首个年份数字。

如果使用支持捕获组的工具，也可以用以下表达式，提取第一个捕获组内容即可：

^.*?(\d{4}).*?-

2. 提取结束年份（逗号前的目标四位数字，即破折号后、逗号前的年份） #

正则表达式：

(\d{4})(?=[^,]*$)

说明 #

• \d{4}：匹配连续四位数字（年份格式）
• (?=[^,]*$)：正向预查规则，确保匹配的四位数字后面直到字符串结尾没有逗号，以此锁定逗号前的最后一个年份数字（即结束年份）。

若要更精准锁定破折号后的内容，可使用以下表达式，提取第一个捕获组内容即可：

-(?:(?!-).)*?(\d{4})(?=[^,]*,)

测试验证 #

针对你给出的示例字符串：

• "05.1990 - 06.1990, Poland"：开始年份提取1990，结束年份提取1990
• "11.05.1990 - 13.07.1990, Portugal"：开始年份提取1990，结束年份提取1990
• "1993 - 1993, Romania"：开始年份提取1993，结束年份提取1993

内容的提问来源于stack exchange，提问作者Piotrq