strsplit 和 stri_extract_all_regex 的贪婪

正则表达式引擎：PCRE、ERE 和 ICU

默认情况下，Base R 使用扩展正则表达式 （ERE），或者使用 Perl 兼容正则表达式 （PCRE）（如果指定了 ）。相反，文档指出：perl = TRUEstringi

提供对 ICU 中实现的正则表达式引擎的访问，该引擎的灵感来自 JDK 1.4 中的 Javautil.regex

如为什么顺序在此正则表达式中具有交替性中所述，顺序很重要，因为这是正则表达式引擎将尝试匹配的顺序。这适用于该问题中的.NET正则表达式引擎，我们可以在下面看到它也适用于PCRE和ICU，但不适用于ERE，这就是为什么您得到不同的结果（除非您设置）。strsplit()perl = TRUE

library(stringi)
x <- "1234567"
pattern <- "(23)|(234)"

# Base R (ERE) engine
regmatches(x, gregexpr(pattern, x))  |> unlist()
# [1] "234"

# Base R (PCRE) engine
regmatches(x, gregexpr(pattern, x, perl = TRUE))  |> unlist()
# [1] "23"

stri_extract_all_regex(x, pattern)  |> unlist()
# [1] "23"

正如这个问题的答案所述：

这有点像 ||C# 中的运算符。一旦左侧匹配，右侧将被忽略。

因此，我们需要切换模式，以便首选（即最长）匹配首先：.pattern <- "(234)|(23)"

排列您的模式，以便最长的匹配是第一个

由于您的模式是动态生成的，因此您不能只对订单进行硬编码。但是，您可以编写一个函数，先按最长的模式对其进行排序。

switch_pattern_order  <- function(pattern){
    pattern_split  <- unlist(strsplit(pattern, "|", fixed = TRUE))
    pattern_sorted  <- pattern_split[order(nchar(pattern_split), decreasing = TRUE)]
    new_pattern  <- paste(pattern_sorted, collapse = "|")
    new_pattern
}

这假设唯一的运算符是，但如果有其他运算符，则可以扩展它。"|"

现在，这将适用于任何正则表达式引擎：

pattern  <- switch_pattern_order(pattern) # "(234)|(23)"
regmatches(x, gregexpr(pattern, x))  |> unlist()
# [1] "234"

regmatches(x, gregexpr(pattern, x, perl = TRUE))  |> unlist()
# [1] "234"

stri_extract_all_regex(x, pattern)  |> unlist()
# [1] "234"