R data.table中正则提取指定捕获组结果异常的解决方案

你之前的写法错误核心是：stri_match_all返回的是和输入向量等长的列表，每个列表元素对应一个输入字符串的匹配矩阵。直接对整个列表调用unlist()会把所有匹配结果拍平成一个一维长向量，此时取[3]只是取了这个长向量的第3个值，再自动循环填充到所有行，自然会出现所有行都返回第一行结果的问题。

另外你用的临时方案多余了：stri_match_first本身返回的就是行与输入完全对齐的矩阵，不需要先把整个矩阵存为列再二次取子集，直接索引矩阵列就能拿到对应捕获组的全部结果。

首先统一存一下正则表达式（注意下划线_不是正则特殊字符，不需要加反斜杠转义，R字符串里的正则转义符要写双反斜杠）：

library(data.table)
library(stringi)

dt.test <- data.table(file_names = c("20200131_20210228_PROD_TEST_MF_delta_20210228_20210107_20210210.csv"
                                   , "20200531_20210531_PROD_TEST_MF_delta_20210531_20210523_20210608.csv" ))
pattern <- "(?i)(\\d*)_(\\d*)_([A-Z]*_[A-Z]*_[A-Z]*_[A-Z]*)_(\\d*)_(\\d*)_(\\d*)"

你预期输出里的20210228/20210531对应正则的第5个捕获组（匹配结果矩阵第1列是完整匹配内容，捕获组从第2列开始计数），直接取矩阵对应列即可：

dt.test[, Extract.1 := stri_match_first(file_names, regex = pattern)[, 5]][]

运行后输出完全符合预期：

file_names Extract.1
1: 20200131_20210228_PROD_TEST_MF_delta_20210228_20210107_20210210.csv  20210228
2: 20200531_20210531_PROD_TEST_MF_delta_20210531_20210523_20210608.csv  20210531

要取其他捕获组只要改列号就行，比如取第一个起始日期就把列号改成2，取产品标识段就改列号为4。

如果你的文本存在一个字符串对应多个匹配结果的情况（必须用stri_match_all），可以用vapply按行遍历列表提取对应捕获组，避免unlist拍平的问题：

dt.test[, Extract.1 := vapply(
  stri_match_all(file_names, regex = pattern),
  FUN = \(match_mat) match_mat[1, 5], # 取每个字符串第一个匹配的第5个捕获组
  FUN.VALUE = character(1)
)][]

如果你只需要提取固定位置的特定内容，甚至不需要写全量正则配捕获组，直接用零宽断言匹配目标片段即可，不用数捕获组序号：

# 直接提取PROD_TEST_MF_delta_后面紧跟的8位日期
dt.test[, Extract.1 := stri_extract_first_regex(file_names, "(?i)(?<=PROD_TEST_MF_delta_)\\d{8}")]

内容的提问来源于stack exchange，提问作者hannes101