R语言如何匹配起始于Distribution到对应句号结束的文本内容

问题原因 #

你遇到的匹配无结果问题主要由两个原因导致：

1. 原始文本存在编码异常生成的不可见Unicode空白字符，默认匹配逻辑无法正常识别Distribution和后续内容之间的异常间隔
2. 你使用的.*\\.是贪婪匹配模式，会匹配到全文最后一个句号，而非国家列表后第一个结束的句号，字符识别异常时会直接返回空匹配

解决步骤 #

1. 依赖加载与文本预处理 #

先清理文本异常编码，避免乱码干扰匹配：

library(stringr)
# 将latin1编码的异常字符转成标准UTF-8，清理乱码
text_clean <- iconv(text, from = "latin1", to = "UTF-8", sub = "")

2. 正则提取方案 #

有两种常用实现方式，均可拿到目标结果：

方式一：直接提取国家列表内容（推荐）

用非贪婪匹配+全字符匹配修饰符，直接捕获国家列表：

# 正则说明：
# Distribution 匹配起始标识
# \\s* 匹配任意数量的空白（包括异常的Unicode空白）
# (.*?) 非贪婪匹配任意字符，直到遇到第一个句号
# \\. 匹配国家列表结束的句号
# dotall=TRUE 允许.匹配所有字符（包括隐形控制字符）
pattern <- regex("Distribution\\s*(.*?)\\.", dotall = TRUE)
dist_countries <- str_match(text_clean, pattern)[,2]

运行后dist_countries的结果为：Cameroon, Gabon, Guinea, Uganda, Zambia

方式二：用str_locate定位后截取

如果你需要保留定位逻辑，可以调整匹配模式后再截取：

loc <- str_locate(text_clean, pattern = regex("Distribution.*?\\.", dotall = TRUE))
dist_text <- str_sub(text_clean, loc[,1], loc[,2])

运行后dist_text会包含从Distribution到结束句号的完整内容。

内容的提问来源于stack exchange，提问作者Antonio Rodriguez