首先 记住一个要点：出现
<就看左边，没有<就是看右边。?=引入"断言"，我们的目标是提取"断言"前或者后方的字符
0️⃣ 示例：从句子中提取最后一个价格
r
text="The prices are $120, $45 and $300 today."使用
str_extract_all(text,pattern = "\\d+")能提取所有数字，但是要提取最后一个价格$300，如何只提取满足特定条件（如在$后面、或者,前面）？这就需要 PCRE 的 lookaround（零宽断言） 技巧，R和Python基本通用。
1,2节为PCRE简介，可以跳过阅读
1️⃣ PCRE 简介
PCRE = Perl Compatible Regular Expressions（Perl 兼容正则表达式）
- 不是语言，而是 正则表达式引擎规则 ：
- 支持特殊符号、分组、反向引用、lookaround 等高级功能
- 控制字符串匹配方式
- 可理解为："正则表达式的标准语法"
| 是否使用 PCRE | 语言/工具 |
|---|---|
| ✔ 使用 | R 的 stringr/stringi |
| ✔ 使用 | PHP（preg 系列） |
| ✔ 使用 | VSCode、grep -P |
| ✘ 不使用 PCRE（类似） | Python re（独立实现，但语法 90% 接近） |
| ✘ 不使用 PCRE | JavaScript 正则（ECMA262 标准） |
2️⃣ R 与 Python 正则对比
2.1 提取匹配函数
| 功能 | R：stringr | Python：re |
|---|---|---|
| 单个匹配 | str_extract() |
re.search().group() |
| 全部匹配 | str_extract_all() |
re.findall() |
| 是否 PCRE 风格 | ✔ | ✔（语法基本一致） |
关键差异
- R 字符串中
\需写成\\ - Python 原生字符串
r""可直接写\
学会一次，R/Python 都可用。
3️⃣ lookaround 四种零宽断言
3.1 四种写法与记忆规律
| 类型 | 英文名称 | 语法 | 描述说明 |
|---|---|---|---|
| 正向前瞻 | Lookahead | XXXXX(?=...) |
检查当前位置右边 是否满足条件，提取前面的字符 |
| 正向后顾 | Lookbehind | (?<=...)XXXXX |
检查当前位置左边 是否满足条件，提取后面的字符 |
| 负向前瞻 | Negative Lookahead | XXXXX(?!...) |
检查右边不满足条件 |
| 负向后顾 | Negative Lookbehind | (?<!...)XXXXX |
检查左边不满足条件 |
规律总结：
?：引入断言=：等于 （满足条件）!：非 （不满足条件）<：左边（后顾），没有<则默认右边（前瞻）
4️⃣ lookaround 基本示例
示例句子
text
"The prices are $120, $45 and $300 today."4.1 提取 $ 后所有数字（正向后顾，Lookbehind）
r
stringr::str_extract_all(text, "(?<=and\\s\\$)\\d+")
python
re.findall(r"(?<=and\s\$)\d+", text)输出 ：['300']
向左看是 "and空格$" ，则提取后方的数字
4.2 提取非 $ 后数字（负向后顾, Neg Lookbehind）
r
str_extract_all(text, "(?<!\\$)\\d+")
python
re.findall(r"(?<!\$)\d+", text)输出 ：['20', '5', '00']
向左看不是$，则提取后方的数字。
4.3 正向前瞻 (?=...) (Lookahead)
r
str_extract_all(text, "\\d+(?=\\s)")
python
re.findall(r"\d+(?=\s)", text)输出 ：['45', '300']
向右看是空格，则提取前方的数字。
4.4 负向前瞻 (?!...) (Neg Lookahead)
r
str_extract_all(text, "\\d+(?![\\s,])")
python
re.findall(r"\d+(?![\s,])", text)输出 ：['12', '4', '30']
向右看不是空格也不是逗号，取其前方的数字
5️⃣ R 中使用 PCRE 注意事项
- base R 函数（
grep,gsub,sub,grepl）默认不支持 lookaround - 使用 PCRE 扩展语法需加
perl=TRUE
| 使用方式 | 是否需要 perl=TRUE | 引擎 |
|---|---|---|
| base R | 是 | POSIX → PCRE |
| stringr/stringi | 否 | ICU（支持） |
6️⃣ 实战示例集合
注意！R语言中是双斜杠进行转义
| 任务 | 示例文本 | 正则 | 输出示例 |
|---|---|---|---|
提取 email @ 前用户名 |
"Contact us at alice@example.com or bob.smith@domain.org." |
[^\\s@]+(?=@) |
['alice','bob.smith'] |
| 基因名后数字 | "Gene expression: TP53_123, BRCA1_45, MYC_300." |
(?<=_)[0-9]+ |
['123','45','300'] |
提取 $ 后数字（保留小数点） |
"Prices: $199, $20.5, 30.0 USD." |
(?<=\\$)\d+(?:\\.\\d+)? |
["199","20.5]" |
| 提取 URL 最后文件名 | "URLs: http://example.com/data/file.txt and https://site.org/index.html" |
(?<=/)[^/]+$ |
['index.html'] |
| 提取 hashtags | "Hashtags: #fun #learning #RStats" |
(?<=#)\w+ |
['fun','learning','RStats'] |
排除 $ / 括号 / 基因编号 |
"Mixed: $100, 200, (300), geneX_500, email@test.com" |
(?<!\$)(?<!\()\b\d+\b |
['200'] |
\b和\w详见 附录：单词边界 的介绍
🔹 总结
- 四种 lookaround 的记忆规律：
?=：右边等于 → 正向前瞻?<=：左边等于 → 正向后顾?!：右边非 → 负向前瞻?<!：左边非 → 负向后顾- 不用管什么正负前后，只要
<就是在左边，没有<就是在右边
- R/Python 正则基本一致，R 注意
\\转义 - lookaround 零宽，匹配位置不消耗字符，可精确控制条件。
- **注意！**R语言中 PCRE lookbehind 的长度必须可预估 ，不能将
.*这种任意长度的模式放在结构中，如(?<!\(\.*)\d+(?!\.*\))会报错。Python的regex模块支持可变长度。
附录：单词边界
1️⃣ 单词字符 \w
- 匹配 字母、数字或下划线
[A-Za-z0-9_]
2️⃣ 单词边界 \b
- 位置，不是字符
- 匹配单词开始或单词结束的位置
- 条件：左右一边是单词字符，一边是非单词字符或字符串开头/结尾
3️⃣ 示例："abc 123 _500 $45"
标注 | 表示字符间的位置：
|a|b|c| |1|2|3| | _ |5|0|0| |$|4|5|"abc"：|a✅ 左边非单词字符（开头） → 边界c|✅ 右边空格 → 边界b|c❌ 两边都是单词字符 → 不是边界
"123"：|1✅ 左边空格 → 边界3|✅ 右边空格 → 边界
"_500"：_ |5❌ 左边_是单词字符 → 不是边界5|❌ 右边0是单词字符 → 不是边界
"$45"：$|4✅ 左边$非单词字符 → 边界5|✅ 右边空格 → 边界
4️⃣ 总结
\w→ 单词字符（字母/数字/下划线）\b→ 单词边界（单词开始或结束位置）\b\d+\b→ 只匹配独立数字 ，即两边均是单词边界的多个数值，不会匹配abc,_500或$45，而是123,500和45