如何在R中提取字符串首个指定字符前及末次指定字符后的内容？

问题回顾 #

现有长字符串：
my_string = "GTCAGTCGATCTGGGCATTATGCGTCAAAAGGCTGCTAGCTAAAGCTGATCAGCATCAAAAGGCCGCCCCTATGCTACGAGCATCATGCATCTGGGTCTAGCTAGTGGGCATTCTCTCTGCTGCATTCAGTCACAAAAGGTGTCAGTCGTAGTCATCATCTACATCGTTCATGCTGGGCATTACAGTCAGTCACAAAAGGTCAGTCAGTCA"

需从中提取两类内容：

1. 首个出现的"CAAAAG"之前的所有字符；
2. 末次出现的"TGGGCATT"之后的所有字符。

目前使用stringr::word(my_string, 1, sep = "CAAAAG")提取前者，但无法确保取到的是首个"CAAAAG"之前的全部内容；使用stringr::word(my_string, -1, sep = "TGGGCATT")提取后者，也无法确保取到的是末次"TGGGCATT"之后的全部内容，请问该如何处理？

为什么stringr::word不靠谱？ #

stringr::word本质是为处理自然语言里的单词场景设计的，虽然支持自定义分隔符，但它的逻辑是把字符串按分隔符拆分后取对应片段。当目标分隔符出现在字符串开头、结尾，或者有特殊字符干扰时，很容易出现不符合预期的结果，而且它没有专门针对“首个/末次匹配”做优化，所以用正则匹配的方法会更精准可靠。

1. 提取首个"CAAAAG"之前的内容 #

这里推荐两种方法，按需选择：

方法一：正向预查匹配（无匹配时返回NA）

用正则的非贪婪匹配+正向预查，精准捕获第一个"CAAAAG"之前的所有内容：

library(stringr)

# 定义字符串
my_string <- "GTCAGTCGATCTGGGCATTATGCGTCAAAAGGCTGCTAGCTAAAGCTGATCAGCATCAAAAGGCCGCCCCTATGCTACGAGCATCATGCATCTGGGTCTAGCTAGTGGGCATTCTCTCTGCTGCATTCAGTCACAAAAGGTGTCAGTCGTAGTCATCATCTACATCGTTCATGCTGGGCATTACAGTCAGTCACAAAAGGTCAGTCAGTCA"

# 提取首个"CAAAAG"之前的内容
before_first <- str_extract(my_string, "^.*?(?=CAAAAG)")

• 正则解释：^匹配字符串开头，.*?是非贪婪匹配任意字符（尽可能少匹配，确保停在第一个目标字符串前），(?=CAAAAG)是正向预查，确保后面紧跟"CAAAAG"。

方法二：替换法（无匹配时返回原字符串）

如果希望当目标字符串不存在时，直接返回原字符串，用替换法更稳妥：

before_first <- str_replace(my_string, "CAAAAG.*", "")

• 逻辑：把第一个"CAAAAG"及其后面的所有内容替换为空，剩下的就是目标内容。

2. 提取末次"TGGGCATT"之后的内容 #

同样推荐两种方法：

方法一：反向预查匹配（无匹配时返回NA）

用贪婪匹配+反向预查，捕获最后一个"TGGGCATT"之后的所有内容：

after_last <- str_extract(my_string, "(?<=TGGGCATT).*$")

• 正则解释：(?<=TGGGCATT)是反向预查，确保前面是"TGGGCATT"，.*$匹配从该位置到字符串结尾的所有内容，贪婪匹配会自动定位到最后一个目标字符串。

方法二：替换法（无匹配时返回原字符串）

如果要兼容目标字符串不存在的情况，用替换法：

after_last <- str_replace(my_string, ".*TGGGCATT", "")

• 逻辑：.*TGGGCATT是贪婪匹配任意字符直到最后一个"TGGGCATT"，替换为空后剩下的就是目标内容。

内容的提问来源于stack exchange，提问作者sisuz