如何获取字符串中重叠匹配模式的所有起始索引？

我完全懂你的困惑！你想要找到所有重叠匹配的起始索引，但gregexpr和str_locate_all默认是做非重叠匹配的——也就是说，当它们在位置1匹配到"11"后，会直接跳过位置2，从位置3开始继续查找，这就是为什么你看不到索引2的原因。

下面是两种能正确获取所有重叠匹配起始索引的方法：

方法1：使用gregexpr结合正向预查 #

通过Perl风格的正则表达式中的正向预查（positive lookahead），我们可以实现不消耗字符的匹配，这样就能捕获到所有可能的起始位置：

x <- "1110001101"
# 使用(?=11)作为匹配模式，开启perl参数
match_positions <- gregexpr(pattern = "(?=11)", x, perl = TRUE)
# 提取匹配的起始索引
as.integer(match_positions[[1]])

运行结果：

[1] 1 2 7

解释：(?=11)是零宽度断言，它只会检查当前位置后面是否跟着"11"，但不会移动匹配指针，所以匹配完位置1后，会继续检查位置2，而不是跳转到位置3。

方法2：使用stringr包的str_locate_all #

同样利用正向预查的思路，在stringr中也能实现：

library(stringr)
x <- "1110001101"
# 用正向预查模式匹配
matches <- str_locate_all(x, "(?=11)")
# 提取起始索引列
as.integer(matches[[1]][, "start"])

运行结果同样是：

[1] 1 2 7

简单总结一下：默认的正则匹配是"贪婪且非重叠"的，如果你需要捕获重叠的匹配结果，就需要用到零宽度断言这类特殊的正则语法，让函数逐个检查每个可能的起始位置，而不会跳过已匹配的字符。

内容的提问来源于stack exchange，提问作者Oliver