R语言使用gsub清理文本：移除邮件类数据中不定长Disclaimer段落

现有代码的偏差点 #

• 换行匹配逻辑误用：原正则中[\\n|\\r\\n|\\r]{2}属于字符组语法错误，字符组内的|是普通竖线字符，不具备逻辑“或”的作用，实际匹配规则是“凑够2个由换行、回车、竖线组成的任意字符”，根本无法准确识别段间的双换行分隔
• 匹配范围遗漏：原正则从Disclaimer关键词开始向后匹配，会把Disclaimer前面的装饰分割线（示例中的___________________内容）留在最终清洗结果里
• 截断场景适配缺失：如果Disclaimer内容因为数据截断直接延伸到文本末尾、没有后续的双换行分隔符，现有正则完全无法匹配目标内容，达不到清理效果

可直接落地的修正代码 #

cleaned_text <- gsub(
  pattern = "\\n(?:_+\\s*\\n)?Disclaimer[\\s\\S]*?(?=\\n{2}|\\r\\n{2}|\\r{2}|$)",
  replacement = "",
  x = have,
  perl = TRUE
)

代码适配的场景说明 #

• 可选匹配Disclaimer前方的下划线装饰行，覆盖示例中“分割线+Disclaimer”的组合结构
• 用非贪婪匹配[\\s\\S]*?匹配Disclaimer下所有长度不固定的内容，不会过度吞掉段落后方的有效文本
• 结尾用零宽向前断言同时兼容三类常见双换行分隔符（\n/\r\n/\r），适配Disclaimer截断到文本末尾的边界场景，不会误删有效内容
• 传入perl = TRUE参数以支持零宽断言的正则语法

实际清洗效果 #

• 对含完整Disclaimer的输入：清除分割线、全段Disclaimer冗余内容，保留首尾的Good luck!!!、Great!!!有效文本
• 对无Disclaimer的纯有效文本输入：正则无匹配项，不会改动原有内容

内容的提问来源于stack exchange，提问作者Afiq Johari