R语言正则表达式匹配字符串模式及位置的问题排查

首先得指出你原来的正则模式问题所在：你写的"Web_797-*Web_797"完全不符合你的需求——正则里的*是用来修饰它前面的字符或分组的，这里它修饰的是-，意思是匹配零个或多个连字符，所以这个模式只能匹配像Web_797Web_797、Web_797-Web_797这类仅隔连字符或无间隔的情况，根本无法匹配中间夹了其他内容的Web_797-xxx-Web_797。

下面给你两种场景的解决方案，你可以根据自己的需求选择：

场景1：获取所有非重叠的"Web_797→Web_797"匹配 #

如果你想要的是从一个Web_797开始，到下一个最近的Web_797结束的匹配（不重叠），可以用非贪婪模式的正则：

library(stringr)

String <- "Web_797-Web_797-Web_797-Web_797-PCP_IM_PAR-Pharm_1-Pharm_1- Web_797-PCP_IM_PAR-Prior_OP-Web_797-Prior_OP-Event_0-"
# 正确的正则模式：Web_797 后接任意字符（非贪婪）直到 Web_797
pattern <- regex("Web_797.*?Web_797")

# 获取所有匹配的位置
matches <- str_locate_all(String, pattern)[[1]]
matches

运行后会得到这些结果：

start end
[1,]     1  15
[2,]    17  31
[3,]    33 102
[4,]   104 138

这里每一行都是一个独立的、不重叠的匹配，比如第三行就是从第33位的Web_797到第102位的Web_797（中间夹了PCP_IM_PAR-Pharm_1-Pharm_1- ）。

场景2：获取所有可能的重叠匹配（包括跨多个Web_797的情况） #

如果你的需求是找出所有以Web_797开头，到任意后续Web_797结束的子串位置（比如从第一个Web_797到第三个、第四个Web_797这种跨多个的情况），直接用str_locate_all无法做到，因为它默认不支持重叠匹配。我们可以拆分步骤来实现：

library(stringr)

String <- "Web_797-Web_797-Web_797-Web_797-PCP_IM_PAR-Pharm_1-Pharm_1- Web_797-PCP_IM_PAR-Prior_OP-Web_797-Prior_OP-Event_0-"

# 第一步：获取所有Web_797的起始和结束位置
web_positions <- str_locate_all(String, "Web_797")[[1]]
starts <- web_positions[, 1]
ends <- web_positions[, 2]

# 第二步：生成所有起始位置早于结束位置的组合
all_matches <- expand.grid(start = starts, end = ends)
all_matches <- all_matches[all_matches$start < all_matches$end, ]

# 查看结果
all_matches

这个代码会生成所有符合条件的位置对，比如：

• 第1位的Web_797可以匹配到第15、31、45、102、138位的Web_797
• 第17位的Web_797可以匹配到第31、45、102、138位的Web_797
  以此类推，完全覆盖你想要的所有可能的组合。

内容的提问来源于stack exchange，提问作者Vaishak N Chandran