如何用R语言提取文本中5个连续换行与2个连续换行之间的内容

问题原因 #

• str_split() 返回结果为列表类型，而str_subset()要求输入原子向量，因此触发强制类型转换的警告
• 将字符串按\n拆分后，每个拆分后的元素中已不存在\n字符，你编写的匹配\n{5}的正则规则完全无法生效

正确实现方案 #

推荐直接用正则提取，无需拆分字符串，代码如下：

library(stringr)
# 原始数据
data <- "line1\nline2\n\n\n\n\n         VICTIMS OF GUN VIOLENCE TO HOLD GUN TRAFFICKERS LIABLE\n\n  line3"
# 提取目标文本，先匹配5个换行后的内容，再去除前后空白
target_text <- str_trim(str_extract(data, "(?<=\\n{5})[\\s\\S]*?(?=\\n{2})"))

执行后target_text就是你需要的结果："VICTIMS OF GUN VIOLENCE TO HOLD GUN TRAFFICKERS LIABLE"

正则规则说明 #

• (?<=\\n{5})：后向断言，定位到连续5个换行符之后的位置
• [\\s\\S]*?：非贪婪匹配所有字符（包含换行符，适配中间可能存在换行的场景）
• (?=\\n{2})：前向断言，匹配到连续2个换行符之前的位置停止
• str_trim()：去除目标内容前后的多余空格、制表符等空白字符

如果你一定要用拆分字符串的方式实现，可以调整为如下代码：

library(stringr)
data <- "line1\nline2\n\n\n\n\n         VICTIMS OF GUN VIOLENCE TO HOLD GUN TRAFFICKERS LIABLE\n\n  line3"
# 取拆分后列表的第一个元素，转为原子向量
split_text <- str_split(data, "\n")[[1]]
# 过滤空字符串后取第三个元素，去除前后空白
target_text <- str_trim(split_text[split_text != ""][3])

内容的提问来源于stack exchange，提问作者Foulball