R语言中sub正则无法保留首个" - "前内容的问题排查

问题原因 #

你遇到的差异源于R默认使用BRE（基本正则表达式）引擎，而regex101默认使用PCRE（Perl兼容正则表达式）引擎，两者匹配行为存在细微差异；若输入中存在特殊空白字符（如非断空格），也会导致默认正则匹配不符合预期。

解决方案 #

方案1：固定字符串分割（最可靠）

直接按-（空格+横杠+空格）固定分割字符串，取第一部分，完全规避正则匹配的歧义：

authors <- sapply(strsplit(authors, " - ", fixed = TRUE), `[`, 1)

• fixed=TRUE：指定按固定字符串分割，而非正则模式，不会误匹配姓名中的连字符（如Berrang-Ford）
• sapply(..., [, 1)：对每个分割后的列表元素取第一部分

方案2：启用PCRE正则引擎

若坚持用正则，通过perl=TRUE参数切换到PCRE引擎，确保匹配逻辑与regex101一致：

# 方法A：沿用原正则逻辑
authors <- sub("\\s-\\s.*", "", authors, perl = TRUE)

# 方法B：非贪婪匹配明确捕获目标部分
authors <- sub("^(.*?)\\s-\\s.*", "\\1", authors, perl = TRUE)

• perl=TRUE：启用PCRE引擎，对齐regex101的匹配行为
• .*?：非贪婪匹配，确保只捕获到第一个\\s-\\s之前的内容

验证结果 #

两种方案处理后，均可得到预期输出：

[1] "T Dietz, RL Shwom, CT Whitley"       
[2] "L Berrang-Ford, JD Ford, J Paterson"
[3] "CD Thomas"

内容的提问来源于stack exchange，提问作者Shmilft