求可提取字母、数字、$、单双引号的R str_extract_all正则表达式

嘿，刚接触R没几天就撞上正则这个“硬骨头”太正常了——我当初第一次摸正则的时候也挠了好半天头😅。针对你朴素贝叶斯垃圾邮件预测项目里的需求，我直接给你落地的解决方案：

正则表达式与代码示例 #

你需要的正则要匹配仅由大小写字母、数字、$、单引号、双引号组成的连续序列，对应的正则表达式和R代码如下：

library(stringr)

# 替换成你的实际垃圾邮件文本
sample_spam_text <- 'Click "here$now" to win 1000$! Don\'t miss this \'limited_offer\' today!'

# 提取目标序列
target_sequences <- str_extract_all(sample_spam_text, '[a-zA-Z0-9$"\']+')[[1]]

# 查看提取结果
print(target_sequences)

运行后会得到这样的输出：

[1] "Click"          "\"here$now\""   "to"             "win"           
[5] "1000$"          "Don't"          "miss"           "this"          
[9] "'limited_offer'" "today!"

正则逻辑拆解 #

我给你拆解开这个正则的每个部分，方便你理解：

• [a-zA-Z0-9$"\']：这是字符集，明确列出了所有允许出现的字符：
  • a-zA-Z：覆盖大小写英文字母
  • 0-9：所有数字
  • $：美元符号（在方括号里不需要转义，只有在方括号外才表示行尾）
  • " 和 '：单双引号（用单引号包裹整个正则时，双引号不需要转义，单引号则要加反斜杠转义）
• +：表示匹配一个或多个连续的上述字符，确保提取的是完整的序列，而不是单个字符

针对你项目的补充说明 #

因为你要区分包含单/双引号的序列，这个正则会完整保留序列里的引号标记（比如"here$now"和'limited_offer'会被完整提取），完全满足朴素贝叶斯模型对特征区分的需求。如果后续遇到特殊文本（比如引号嵌套？不过垃圾邮件里这种情况很少），可以再调整，但当前这个正则已经能覆盖绝大多数场景了。

内容的提问来源于stack exchange，提问作者Audrius Užkuraitis