R如何从逗号分隔字符串中提取无多余空格的唯一子串

需求与示例数据 #

需要将逗号分隔的字符串处理为无多余空格的唯一子串，使用的示例数据如下：

x <- c("Anna & x, Anna & x", #
       "Alb, Berta 222, Alb", 
       "Al Pacino", 
       "Abb cd xy, Abb cd xy, C123, C123, B")

原有实现的问题 #

最初通过否定字符类、否定前瞻、反向引用组合的正则实现了去重逻辑，但提取的子串包含不需要的前置空格，运行代码与返回结果如下：

library(stringr)
str_extract_all(x, "([^,]+)(?!.*\\1)")

返回结果：

[[1]]
[1] " Anna & x"

[[2]]
[1] " Berta 222" " Alb"      

[[3]]
[1] "Al Pacino"

[[4]]
[1] " Abb cd xy" " C123"      " B"

期望得到的无空格结果如下：

#> [[1]]
#> [1] "Anna & x"
#> [[2]]
#> [1] "Alb"       "Berta 222"
#> [[3]]
#> [1] "Al Pacino"
#> [[4]]
#> [1] "Abb cd xy" "C123"      "B"

优化方案 #

原正则的问题在于[^,]+会将逗号后的前置空格也纳入匹配范围，只需要在匹配起始位置增加非空格的限制即可，优化后的正则写法如下：

str_extract_all(x, "((?!\\s)[^,]+)(?!.*\\1)")

正则逻辑说明：

• (?!\\s) 为否定前瞻规则，要求匹配起始位置的下一个字符不能是空格，从根源避免提取到前置空格
• [^,]+ 匹配所有非逗号的连续字符，作为单个子串的内容
• (?!.*\\1) 为去重逻辑的否定前瞻，确保当前匹配的子串不会在后续内容中重复出现，最终仅返回每个字符串中的唯一子串

内容的提问来源于stack exchange，提问作者Chris Ruehlemann