如何使用R的rebus包从字符串中提取向量的所有最长匹配项

• 正则|匹配的顺序优先逻辑：or1()会按你传入匹配词的顺序拼接正则选项，短词条Heart排在长词条前面时，匹配到Heart就会直接返回结果，不会继续尝试更长的词条
• 拼写错误：示例代码中匹配词写为Heart rythm，但待匹配文本中对应表述是Heart rhythm，拼写不一致导致漏匹配

1. 预处理匹配词向量 #

将匹配词向量按字符长度从长到短排序后再生成正则，保证正则优先尝试匹配更长的词条，没有命中才会匹配短词条：

# 你的5000个匹配词条替换此处symp_vec即可
symp_vec <- c("Heart", "Heart rhythm", "Heart valve")
# 按长度降序排序
symp_vec_sorted <- symp_vec[order(-nchar(symp_vec))]
# 生成全词匹配正则
symp.rx <- or1(whole_word(symp_vec_sorted))

2. 批量处理数据框 #

stringi本身支持向量化操作，直接对整列执行提取即可，后续可以按需求整理匹配结果的存储格式：

library(stringi)
library(rebus)

# 假设原始数据框为df，待匹配文本列名为text
# 提取匹配结果，默认存储为列表格式，每行对应一个匹配结果向量
df$match_result <- stri_extract_all_regex(df$text, symp.rx)

# 若需要将每行结果去重后拼接为字符串存储，可追加以下代码
df$match_result <- sapply(df$match_result, function(x) {
  if (all(is.na(x))) return("")
  paste0(unique(x), collapse = ",")
})

用你提供的示例文本测试修正后代码，返回的匹配结果为："Heart" "Heart" "Heart rhythm" "Heart" "Heart valve" "Heart" "Heart"，可正常命中所有长短目标词条。

内容的提问来源于stack exchange，提问作者ayeh