R语言用str_extract正则提取参考文献指定内容失败如何解决

问题原因 #

你原有正则中的.*属于贪婪匹配规则，会尽可能匹配最长的符合条件的字符串，因此会一直匹配到整条参考文献末尾的最后一个句号之前，不会停在第一个句号的位置。同时原有后行断言没有匹配年份括号后的点和空格，会导致提取结果开头多出空格。

修正方案 #

使用排除字符集代替贪婪匹配，保证匹配到第一个句号就停止，同时修正后行断言的匹配范围，直接匹配年份右括号+点+空格的固定格式，避免提取结果开头出现冗余空格。
修正后的正则表达式有两种等价写法，推荐使用第一种性能更稳定：

• 排除字符集写法：(?<=\\)\\.\\s)[^.]*\\.
• 非贪婪匹配写法：(?<=\\)\\.\\s).*?\\.

测试代码示例 #

library(stringr)
# 构造示例参考文献向量
df1 <- data.frame(
  References = c(
    "Acemoglu, D., & Robinson, J. A. (2012). Why nations fail: The origins of power, prosperity, and poverty. Crown Books.",
    "Adam, S., & Kriesi, H. (2007). The network approach. In Sabatier, P. A. (ed.), Theories of the policy process (2nd Ed.). Cambridge, MA: Westview Press.",
    "Adams-Webber, J. R. (1969). Cognitive complexity and sociality. British Journal of Social and Clinical Psychology, 8, 211-216."
  )
)
# 执行提取
result <- str_extract(df1$References, pattern = "(?<=\\)\\.\\s)[^.]*\\.")
print(result)

输出结果 #

[1] "Why nations fail: The origins of power, prosperity, and poverty."
[2] "The network approach."                                        
[3] "Cognitive complexity and sociality."  

完全符合预期提取要求。

内容的提问来源于stack exchange，提问作者Tiangeng Lu