在R语言中匹配含特殊字符的引号内容

问题背景 #

你手头有一段包含中文弯引号、特殊字符（比如::、↑、标点）的文本，想要用正则表达式提取所有引号内的内容，目前在尝试stringr包但对正则写法拿不准对吧？你的示例文本是：

quotes <- c("He was thinking “my go::d I can't get out here”. So he goes “↑beep beep↑” on the horn, this bloke went “HUh HUh,”")

解决方案 #

首先要明确：你的文本里用的是中文弯引号“”（不是英文直引号""），这是写正则的关键！我们可以用stringr::str_extract_all()来提取所有匹配内容（它比str_subset()更适合这个场景，str_subset()是筛选包含匹配的元素，而我们要提取元素内的具体匹配片段）。

正则表达式说明

我们的核心正则可以写成：“([^”]+)”

• “：精准匹配开头的中文左引号
• ([^”]+)：捕获组，匹配除了右引号”之外的任意字符（[^”]是反向字符类，+表示匹配1次或多次），这样就能把引号内所有内容（包括特殊符号、标点、空格、缩写的'）都完整抓出来
• ”：匹配结尾的中文右引号

完整代码示例

library(stringr)

quotes <- c("He was thinking “my go::d I can't get out here”. So he goes “↑beep beep↑” on the horn, this bloke went “HUh HUh,”")

# 提取所有引号内的内容
extracted_quotes <- str_extract_all(quotes, “([^”]+)”)[[1]]

# 查看结果
print(extracted_quotes)

运行后会得到你想要的结果：

[1] "my go::d I can't get out here" "↑beep beep↑"                   "HUh HUh,"

补充：如果文本混合了直引号怎么办？

如果你的文本里同时存在中文弯引号和英文直引号，可以把正则改成：([“"])([^”"]+)\1。这个正则会先匹配任意一种左引号（“或"），然后捕获中间的内容，最后用\1匹配和开头完全相同的右引号，避免出现引号不匹配的错误。

小提示 #

• 如果你不确定引号的具体类型，可以用stringi::stri_escape_unicode()查看字符的Unicode编码，确认是哪种引号
• str_extract_all()返回的是列表，因为你的quotes是长度为1的向量，所以用[[1]]就能取出里面的结果向量

内容的提问来源于stack exchange，提问作者Chris Ruehlemann