R语言stringr包str_extract函数语义逻辑及字符串提取用法咨询

基础语义规则 #

• 核心功能：接收字符向量与正则匹配规则，返回每个输入元素中第一个命中规则的子串，输出向量长度与输入完全对齐
• 匹配逻辑：遵循贪婪匹配原则，从字符串最左端点开始逐位探测，找到第一个能完整满足正则条件的最长子串即停止匹配
• 异常处理：未命中匹配规则的位置默认返回NA_character_，不会抛出运行时错误
• 可选参数group：当正则设置了多段捕获组时，可通过该参数直接指定要提取的组序号，无需额外做二次字符串截取

同族函数边界差异 #

• str_extract_all()：返回每个输入元素中所有命中规则的子串，输出为列表结构
• str_match() / str_match_all()：匹配后直接返回捕获组的结构化结果，适合一次拆分多个字段的场景

对应场景的可落地实现 #

针对11_3_S11.html这类需要提取首个下划线后、下一个下划线前数字的需求，直接运行以下代码即可得到目标值3：

library(stringr)
files = c("11_3_S11.html")
str_extract(files, "(?<=_)[0-9]+(?=_)")

用到的正则规则拆解 #

• (?<=_)：零宽正向回顾后发，要求匹配位置的前置字符为下划线，本身不占用匹配长度
• [0-9]+：连续匹配1个及以上数字字符
• (?=_)：零宽正向先行断言，要求匹配位置的后置字符为下划线，同样不占用匹配长度
  如果场景允许不严格匹配后置下划线，仅需要提取第一个下划线后的连续数字，可将正则简化为(?<=_)[0-9]+，运行结果完全一致。

内容的提问来源于stack exchange，提问作者LDT