从下划线分隔字符串提取指定元素：gsub正则匹配异常问题

为什么正则对aa无效？ #

你的正则用了.*这种贪婪匹配模式，它会尽可能多地吞噬字符，这就是问题根源：

• aa按下划线分割后共有13个部分，你的正则要求捕获组后要有3个_.*（即3个下划线分割的后续内容），但aa只有2个后续部分（galaxycombos、20220520）。贪婪模式下，前面的.*_会多吞一组内容，把primaria_也包含进去，导致捕获组拿到的是primaria而非目标myproducta。
• 而cc按下划线分割后有14个部分，捕获组后正好有3个后续部分，贪婪匹配刚好停在目标前，所以能正确拿到myproductb。

正确的解决方法 #

方法1：改用非贪婪匹配 #

把正则里的.*换成.*?（非贪婪模式），让每个匹配段只到下一个下划线就停止：

# 处理aa
gsub(aa, pattern = ".*?_.*?_.*?_.*?_.*?_.*?_.*?_.*?_.*?_(.*?)_.*?_.*?_.*?", replacement = "\\1", perl = TRUE)
# 处理cc
gsub(cc, pattern = ".*?_.*?_.*?_.*?_.*?_.*?_.*?_.*?_.*?_(.*?)_.*?_.*?_.*?", replacement = "\\1", perl = TRUE)

方法2：分割字符串后提取（更直观） #

用strsplit把字符串按下划线分割成数组，直接提取第11个元素（目标在两个字符串里都是第11位）：

# 提取aa的目标
strsplit(aa, "_")[[1]][11]
# 提取cc的目标
strsplit(cc, "_")[[1]][11]

方法3：精准正则匹配 #

用非捕获组匹配前10个下划线分割段，直接捕获第11段内容：

# 处理aa
gsub(aa, pattern = "^(?:[^_]+_){10}([^_]+).*", replacement = "\\1", perl = TRUE)
# 处理cc
gsub(cc, pattern = "^(?:[^_]+_){10}([^_]+).*", replacement = "\\1", perl = TRUE)

内容的提问来源于stack exchange，提问作者Omar Gonzales