正则表达式在Regex101可用但在R中失效的文本挖掘问题

我来帮你排查问题并实现需求。首先你的代码和正则有几个关键问题，导致在R中无法正常工作：

1. 函数调用的错误 #

你直接把整个data.frame传给str_extract和grepl，但这两个函数需要的是字符向量，应该指定text$text列，比如：

str_extract(text$text, patt)
grepl(pattern = patt, x = text$text)

2. 正则表达式的兼容性问题 #

Regex101默认常用PCRE引擎，但R的stringr包默认使用ICU正则引擎，两者在语法细节上有差异：

• \b在ICU中是严格的单词边界，对非单词字符的处理和PCRE不同；
• 你的正则试图一次性匹配所有4类信息，但你的数据中每个文本行只包含部分信息，导致大部分行根本匹配不到；
• 原正则中的(?:\\D|\\d(?![\\d.]*%))结构在ICU中逻辑过于复杂，且容易出现匹配异常。

解决方案：分模块提取目标信息 #

我们可以拆分需求，用更灵活的方式提取每类信息，下面是具体实现：

步骤1：加载包并准备数据 #

library(stringr)
library(dplyr)

text <- data.frame(
  page = c(1,1,2,3), 
  sen = c(1,2,1,1), 
  text = c(
    "Dear Mr case 1", 
    "the value of my property is £500,000.00 and it was built in 1980", 
    "The protected percentage is 0% for 2 years", 
    "The interest rate is fixed for 2 years at 4.8%"
  )
)

步骤2：提取所有目标信息 #

我们使用str_match和条件匹配来分别提取四类信息，确保每行都能拿到对应的数据：

# 提取称呼并映射性别
text$title <- str_extract(text$text, "(?i)mr|mrs|miss|ms")
text$gender <- case_when(
  text$title == "Mr" ~ "Male",
  text$title %in% c("Mrs", "Miss", "Ms") ~ "Female",
  TRUE ~ NA_character_
)

# 提取房产价值
text$property_value <- str_extract(text$text, "£[\\d,.]+")

# 提取保障比例（匹配单独的%值，排除利率场景）
text$protected_rate <- str_extract(text$text, "(?<=protected percentage is )\\d+\\.?\\d*%")

# 提取利率值
text$interest_rate <- str_extract(text$text, "(?<=interest rate is fixed for 2 years at )\\d+\\.?\\d*%")

最终输出 #

运行后text数据框会包含所有提取的信息：

page sen                                                                 text title gender property_value protected_rate interest_rate
1    1   1                                                          Dear Mr case 1    Mr   Male           <NA>           <NA>           <NA>
2    1   2 the value of my property is £500,000.00 and it was built in 1980  <NA>   <NA>    £500,000.00           <NA>           <NA>
3    2   1                        The protected percentage is 0% for 2 years  <NA>   <NA>           <NA>            0%           <NA>
4    3   1             The interest rate is fixed for 2 years at 4.8%  <NA>   <NA>           <NA>           <NA>          4.8%

关键说明 #

• (?i)开启不区分大小写匹配，能兼容Dear/dear、MR/mr等写法；
• 使用正向预查(?<=...)精准定位目标值的上下文，避免误匹配；
• 拆分提取逻辑后，每类信息的匹配更稳定，也更容易维护和调整。

内容的提问来源于stack exchange，提问作者SAJ