如何在R中提取混合中英文本的指定类别内容（含换行替换）

可以借助stringr包的正则匹配功能实现需求，以下是两种可行方案：

方案一：先预处理Class4换行，再提取各分类 #

1. 先把Class4区块内的换行替换成逗号：

library(stringr)
# 替换Class4到Class5之间的换行为逗号
a_processed <- str_replace_all(a, "(?<=Class4：)(.*?)(?=\\nClass5：)", function(x) str_replace_all(x, "\\n", ","))

2. 提取各个Class的内容：

Class1 <- str_extract(a_processed, "(?<=Class1：).*?(?=\\nClass2：)")
Class2 <- str_extract(a_processed, "(?<=Class2：).*?(?=\\nClass3：)")
Class3 <- str_extract(a_processed, "(?<=Class3：).*?(?=\\nClass4：)")
Class4 <- str_extract(a_processed, "(?<=Class4：).*?(?=\\nClass5：)")
Class5 <- str_extract(a_processed, "(?<=Class5：).*")

方案二：单独提取并处理Class4 #

1. 先提取Class1、Class2、Class3和Class5：

Class1 <- str_extract(a, "(?<=Class1：).*?(?=\\nClass2：)")
Class2 <- str_extract(a, "(?<=Class2：).*?(?=\\nClass3：)")
Class3 <- str_extract(a, "(?<=Class3：).*?(?=\\nClass4：)")
Class5 <- str_extract(a, "(?<=Class5：).*")

2. 提取Class4原始内容并替换换行：

Class4_raw <- str_extract(a, "(?<=Class4：).*?(?=\\nClass5：)")
Class4 <- str_replace_all(Class4_raw, "\\n", ",")

验证结果 #

运行代码后得到的结果与预期完全一致：

> Class1
[1] "AAA_123_视物。"
> Class2
[1] "BBB_456，行手术。"
> Class3
[1] "CCC_789"
> Class4
[1] "DDD_111,EEE_222,FFF_333"
> Class5
[1] "GGG_444_右：光感？  "

原方法失败原因 #

• 用ex_between(a, 'Class4：', '\n')只能提取到DDD_111，因为第一个换行就终止了匹配，但Class4的内容跨了多个换行，直到Class5才结束。
• Class5的匹配用ex_between(a, 'Class1：', ' ')完全错误，起始标识选成了Class1，逻辑完全不对。

内容的提问来源于stack exchange，提问作者zhiwei li