如何使用正则表达式和stringr删除文本中所有符合规则的疑问句

正则写法说明 #

你之前的正则^[A-Z].+\?失效有两个核心原因：

1. 开头的^锚定了整个字符串的起始位置，只能匹配整串开头的内容，无法匹配中间位置出现的疑问句
2. .+是贪婪匹配规则，会尽可能向后匹配最长的符合规则的内容，直接吃到整串最后一个问号的位置，因此会把中间的回答内容也包含进匹配结果。

适配你需求的正则有两种常用写法：

1. 非贪婪匹配写法：\b[A-Z].*?\?

• \b 匹配单词边界，保证匹配到的大写字母是句子的首字母
• [A-Z] 匹配句首的大写英文字母
• .*? 非贪婪匹配任意字符，尽可能短的匹配内容
• \? 匹配疑问句结尾的问号

2. 排除型字符集写法（性能更稳定，不会出现非贪婪匹配的偶发边界问题）：\b[A-Z][^?]*\?

• 和上面的差异是用[^?]*匹配所有非问号的字符，天然会停在第一个出现的问号位置，不需要额外配置非贪婪规则。

R stringr 实现示例 #

提取所有疑问句

library(stringr)

raw_str <- "This is a question? This is an answer This is another question? This is another answer."
# 注意R里转义符要写双反斜杠
questions <- str_extract_all(raw_str, "\\b[A-Z][^?]*\\?")[[1]]
print(questions)
# 输出结果：[1] "This is a question?"        "This is another question?"

删除所有疑问句

如果要删除匹配到的疑问句，还可以在正则末尾加\\s?匹配问号后面的空格，避免删除后留下多余的空白：

result <- str_remove_all(raw_str, "\\b[A-Z][^?]*\\?\\s?")
print(result)
# 输出结果："This is an answer This is another answer."

内容的提问来源于stack exchange，提问作者Nina van Bruggen