如何使用正则表达式提取包含LOC关键词的括号内完整文本

原正则错误原因 #

• 正则起始的(?=\\()正向预查搭配后续的.*?非贪婪匹配逻辑有误，会从字符串第一个左括号开始匹配，连带返回目标括号之前的所有内容，无法精准定位到包含关键词的单独括号
• 正则中 \'LOC部分手动加了固定空格，若实际数据中关键词前的空格数量有波动、或者存在无空格的情况，会直接匹配失败

正确实现方案 #

使用限制匹配范围的正则，避免跨括号匹配，代码如下：

library(stringr)
# 定义匹配规则，如需更换关键词仅需替换'LOC'为目标值即可
regex <- "\\([^()]*?'LOC'[^)]*\\)"
# 执行提取
filtered_df$clean_NE <- str_extract_all(filtered_df$named_entities, regex)

正则逻辑说明 #

• \\(：匹配括号起始的左括号
• [^()]*?：匹配除左右括号外的任意字符，确保匹配范围不会跨多个括号
• 'LOC'：精准匹配目标关键词
• [^)]*：匹配右括号前的剩余内容
• \\)：匹配括号结束的右括号

效果验证 #

对示例字符串('one', 'CARDINAL'), ('Castro', 'PERSON'), ('Latin America', 'LOC'), ('Somoza', 'PERSON')执行提取，返回结果正好为('Latin America', 'LOC')，符合需求。

内容的提问来源于stack exchange，提问作者generic