求适配R strcapture的Regex捕获组提取File与ID字段的正则方案

核心疑问解答 #

不需要为两类文件名单独编写正则模式，依托文件名中固定的结构锚点，通过可选匹配兼容命名差异，单一正则即可同时覆盖纯数字命名、带空格文本命名两类场景的提取需求。

正则设计逻辑 #

所有待处理文件名具备两类命名变体，核心存在固定的结构锚点，无需拆分两套匹配规则：

• 开头固定为「序号. 空格」格式：作为File字段的起始匹配边界
• File字段的终止边界存在两类固定场景：
  • 纯数字命名的File（如4301）：后面紧跟 TMA_Scan1_Core[ 标记
  • 带空格的文本命名File（如TMA A）：后面紧跟_Scan1_Core[ 标记
  • 通过可选非捕获组兼容这个差异，即可准确框定File字段的结束位置，不会多抓取冗余内容
• 方括号内的Core信息具备固定格式 [固定值,变化数字,变化大写字母]：只需跳过开头的固定值部分，捕获后续带逗号的数字+字母组合，后续去逗号即可得到符合要求的ID值

可直接使用的正则表达式 #

适配R语言strcapture函数的转义规则，最终pattern为：

"^\\d+\\.\\s+(.*?)(?: TMA)?_Scan1_Core\\[\\d+,\\s*(\\d+,[A-Z])\\]"

各部分匹配含义：

• ^\\d+\\.\\s+：匹配开头的序号段（如1. 、3. ），不做捕获
• (.*?)：第一个非贪婪捕获组，匹配从序号段结束到对应结构标记之前的所有内容，对应File字段
• (?: TMA)?：可选非捕获组，兼容纯数字文件名中File字段后面附带的“空格+TMA”段，不做捕获
• _Scan1_Core\\[\\d+,\\s*：匹配Core段的固定结构，跳过方括号内第一个固定的数值（如所有文件名里开头的1,），不做捕获
• (\\d+,[A-Z])：第二个捕获组，匹配方括号内剩余的「数字,大写字母」组合（如1,A、6,B），作为ID字段的原始提取内容

完整运行代码 #

# 提取字段，得到带逗号的原始ID
out <- strcapture(
  pattern = "^\\d+\\.\\s+(.*?)(?: TMA)?_Scan1_Core\\[\\d+,\\s*(\\d+,[A-Z])\\]",
  x = test$Image,
  proto = list(File = "", ID = "")
)

# 移除ID字段中的逗号，得到最终格式
out$ID <- gsub(",", "", out$ID)

运行结果验证 #

上述代码处理给定测试数据集后，输出结果与预期完全一致：

内容的提问来源于stack exchange，提问作者JMonk