R: R 正则表达式

Q: \\d 为什么是两个反斜杠？

R 字符串 "\\d" 实际是正则的 \d ——R 把 \\ 解析为单 \ 。同理 "\\s" 才是正则的 \s 。

Q: 怎么匹配中文？

R 4.x UTF-8 直接 [\u4e00-\u9fff] 或 "中文" 字面量。如 GBK 文件先转 UTF-8。

最后更新：2026-08-26

上一课我们学了字符串基础操作，但 80% 的真实场景需要模式匹配——不是匹配固定字符串，而是匹配"符合某种规则的字符串"。这就是正则表达式 (Regular Expression, regex) 的威力。

读完这一课你能用 R 正则做：手机号校验、邮箱提取、URL 解析、日志分析、文本挖掘。

1. 你将学到

正则表达式基础（字符、量词、锚点、分组）
R 正则语法（POSIX/Perl 风格）
stringr 正则函数（str_match/str_extract/str_detect）
捕获组与反向引用
贪婪 vs 非贪婪匹配
实战：手机号、邮箱、URL、身份证号验证

2. 一个日志分析的故事

(1) 痛点：百万条日志怎么办

Alice是运维，需要从 1 GB Nginx 日志中提取所有 404 错误的 URL：

TEXT 📖 仅展示

192.168.1.1 - - [15/Jan/2024:10:30:45 +0800] "GET /api/users/123 HTTP/1.1" 404 512
192.168.1.2 - - [15/Jan/2024:10:30:46 +0800] "POST /api/login HTTP/1.1" 200 1024
192.168.1.3 - - [15/Jan/2024:10:30:47 +0800] "GET /api/products/456 HTTP/1.1" 404 256
...

要在 @,000 rows of里找 404 错误的所有 URL，手要废了——

(2) R 的解法

library(stringr)

# 1. 读取日志
log <- readLines("nginx.log")

# 2. 用正则匹配 404 错误的 URL（一行）
pattern <- '"GET (\\S+) HTTP.*" 404'
urls_404 <- str_match(log, pattern)[, 2]

# 3. 统计访问量
url_table <- table(urls_404)
sort(url_table, decreasing = TRUE)[1:10]

3 行代码搞定百万条日志。这就是正则的威力。

3. 正则基础语法

(1) 4 大元素

graph TB
    A[正则表达式] --> B[字面字符<br/>abc 123]
    A --> C[元字符<br/>. \\d \\s]
    A --> D[量词<br/>* + ? {n}]
    A --> E[锚点<br/>^ $ \\b]
    
    style A fill:#fff3cd
    style B fill:#cce5ff
    style C fill:#d4edda
    style D fill:#f8d7da
    style E fill:#e1d4ff

(2) 字面字符

# 直接匹配字面字符
"cat"  # 匹配 "cat"
"123"  # 匹配 "123"

(3) 元字符（核心）

元字符	含义	示例	匹配
`.`	任意单字符（除换行）	`a.c`	"abc", "axc", "a9c"
`\d`	数字 `[0-9]`	`\d+`	"123", "9"
`\D`	非数字	`\D+`	"abc", "—"
`\s`	空白（空格/Tab/换行）	`\s+`	" ", "\t"
`\S`	非空白	`\S+`	"abc"
`\w`	字母数字下划线	`\w+`	"abc_123"
`\W`	非 `\w`	`\W+`	"—", "@"
`[abc]`	字符类（a/b/c 任一）	`[aeiou]`	任意元音
`[^abc]`	非字符类	`[^0-9]`	非数字
`[a-z]`	范围	`[a-z]`	任意小写字母

⚠️ 注意：R 字符串里的 \ 是转义符，所以正则的 \d 在 R 里要写成 "\\d"。

(4) 量词

量词	含义	示例	匹配
`*`	0 次或多次	`ab*`	"a", "ab", "abb"
`+`	1 次或多次	`ab+`	"ab", "abb"（不匹配 "a"）
`?`	0 次或 1 次	`ab?`	"a", "ab"
`{n}`	恰好 n 次	`\d{3}`	"123"
`{n,}`	至少 n 次	`\d{2,}`	"12", "1234"
`{n,m}`	n 到 m 次	`\d{2,4}`	"12", "1234"

(5) 锚点

锚点	含义	示例	匹配
`^`	字符串开头	`^Hello`	"Hello..."
`$`	字符串结尾	`World$`	"...World"
`\b`	单词边界	`\bcat\b`	"cat"（不匹配 "concatenate"）

4. 分组与捕获

(1) 捕获组 `(...)`

# 提取日期的年月日
str_match("2024-01-15", "(\\d{4})-(\\d{2})-(\\d{2})")
#      [,1]         [,2]   [,3]   [,4]
# [1,] "2024-01-15" "2024" "01"   "15"

# 第一列是完整匹配，后面是每个捕获组

(2) 反向引用 `\1`

# 匹配重复的单词（如 "the the"）
str_detect("the the cat", "\\b(\\w+)\\s+\\1\\b")
# [1] TRUE

# 匹配 XML/HTML 标签
str_detect("<div>content</div>", "<(\\w+)>.*</\\1>")
# [1] TRUE

(3) 非捕获组 `(?:...)`

# 不捕获的分组（用 ?:）
str_match("John, Smith", "(\\w+)(?:,\\s+)(\\w+)")
# [,1]         [,2]   [,3]
# "John, Smith" "John" "Smith"  ← 逗号空格不单独成组

5. 贪婪 vs 非贪婪

(1) 默认贪婪

# 默认贪婪：.* 匹配尽可能多
str_match("<b>text1</b><b>text2</b>", "<b>(.*)</b>")
# [,1]                          [,2]
# "<b>text1</b><b>text2</b>"    "text1</b><b>text2"
#                                 ↑ 贪婪匹配到最后一个 </b>

(2) 非贪婪 `*?`

# 加 ? 变非贪婪：.*? 匹配尽可能少
str_match("<b>text1</b><b>text2</b>", "<b>(.*?)</b>")
# [,1]            [,2]
# "<b>text1</b>"  "text1"  ← 匹配到第一个 </b>

💡 提示：HTML 解析不要用正则——用专用解析器（xml2 第 13 课）。正则适合简单模式匹配。

6. stringr 正则函数

(1) 函数速查表

函数	作用	返回
`str_detect()`	是否匹配	逻辑向量
`str_extract()`	提取第一个匹配	向量
`str_extract_all()`	提取所有匹配	列表
`str_match()`	提取第一个匹配 + 捕获组	矩阵
`str_match_all()`	提取所有匹配 + 捕获组	列表
`str_replace()`	替换第一个匹配	向量
`str_replace_all()`	替换所有匹配	向量
`str_split()`	按匹配分割	列表

(2) str_detect() 检测

# 哪些字符串以 "a" 开头
str_detect(c("apple", "banana", "cherry"), "^a")
# [1]  TRUE FALSE FALSE

# 包含数字
str_detect(c("abc", "a1c", "123"), "\\d")
# [1] FALSE  TRUE  TRUE

(3) str_extract() 提取

# 提取数字
str_extract(c("abc 123", "def 456", "no digits"), "\\d+")
# [1] "123"  "456"  NA

# 提取所有数字（列表）
str_extract_all(c("a1b2c3", "no digits"), "\\d")
# [[1]] "1" "2" "3"
# [[2]] character(0)

(4) str_match() 捕获组

# 提取日期年月日
str_match("2024-01-15", "(\\d{4})-(\\d{2})-(\\d{2})")
#      [,1]         [,2]   [,3]   [,4]
# [1,] "2024-01-15" "2024" "01"   "15"

# 向量化
dates <- c("2024-01-15", "2024-02-20", "2024-03-25")
str_match(dates, "(\\d{4})-(\\d{2})-(\\d{2})")
#      [,1]         [,2]   [,3]   [,4]
# [1,] "2024-01-15" "2024" "01"   "15"
# [2,] "2024-02-20" "2024" "02"   "20"
# [3,] "2024-03-25" "2024" "03"   "25"

(5) str_replace_all() 替换

# 把所有数字替换为 X
str_replace_all("abc 123 def 456", "\\d+", "X")
# [1] "abc X def X"

# 复杂替换：用捕获组
str_replace_all("John Smith", "(\\w+) (\\w+)", "\\2, \\1")
# [1] "Smith, John"  ← 姓在前

7. 实战：常见验证模式

(1) 各种验证正则

# 手机号
phone_pat <- "^1[3-9]\\d{9}$"

# 邮箱
email_pat <- "^[\\w.+-]+@[\\w.-]+\\.[a-zA-Z]{2,}$"

# 身份证号（18 位）
id_pat <- "^[1-9]\\d{5}(18|19|20)\\d{2}(0[1-9]|1[0-2])(0[1-9]|[12]\\d|3[01])\\d{3}[\\dXx]$"

# URL
url_pat <- "^https?://[\\w.-]+(:\\d+)?(/\\S*)?$"

# IPv4
ipv4_pat <- "^((25[0-5]|2[0-4]\\d|[01]?\\d\\d?)\\.){3}(25[0-5]|2[0-4]\\d|[01]?\\d\\d?)$"

# 日期
date_pat <- "^\\d{4}-(0[1-9]|1[0-2])-(0[1-9]|[12]\\d|3[01])$"

# 测试
str_detect("13800001234", phone_pat)    # TRUE
str_detect("user@example.com", email_pat)  # TRUE
str_detect("110101199003078888", id_pat)  # TRUE
str_detect("https://example.com", url_pat)  # TRUE

(2) 提取 URL 的各部分

url <- "https://www.example.com:8080/path/to/page?query=1#section"

# 提取协议、域名、端口、路径、参数
pattern <- "^(https?)://([^:/]+)(?::(\\d+))?(/[^?#]*)?(?:\\?([^#]*))?(?:#(.*))?$"
matches <- str_match(url, pattern)
# [,1]                            [,2]      [,3]              [,4]   [,5]            [,6]      [,7]
# "https://..."                    "https"   "www.example.com" "8080" "/path/to/page" "query=1" "section"

8. 实战：Nginx 日志分析

下面是一个完整工作流示例，把本课所有正则知识串起来。

▶ 示例：Nginx 访问日志分析

R 📖 仅展示

# ============================================
# Nginx 访问日志分析
# 功能：用正则解析 @,000 rows of日志，统计关键指标
# ============================================

library(stringr)
library(dplyr)

# 1. 模拟 1000 行 Nginx 日志（实际项目用 readLines 读文件）
set.seed(42)
n <- 1000
ips <- paste0("192.168.", sample(1:255, n, replace = TRUE), ".",
              sample(1:255, n, replace = TRUE))
methods <- sample(c("GET", "POST", "PUT", "DELETE"), n, replace = TRUE,
                  prob = c(0.7, 0.2, 0.05, 0.05))
paths <- paste0("/api/", sample(c("users", "products", "orders", "login"),
                                n, replace = TRUE), "/",
                sample(1:1000, n, replace = TRUE))
status_codes <- sample(c(200, 201, 301, 400, 404, 500), n, replace = TRUE,
                       prob = c(0.7, 0.05, 0.05, 0.05, 0.1, 0.05))
sizes <- sample(100:5000, n)

# 拼接成日志行
log_lines <- sprintf(
  '%s - - [15/Jan/2024:10:30:%02d +0800] "%s %s HTTP/1.1" %d %d',
  ips, sample(0:59, n, replace = TRUE), methods, paths, status_codes, sizes
)

# 2. 写出日志文件
writeLines(log_lines, "nginx_demo.log")
cat("已生成 1000 行日志\n")

# 3. 用正则解析日志
# 格式：IP - - [时间] "方法 URL 协议" 状态码 大小
log_pattern <- '^(\\S+) - - \\[([^\\]]+)\\] "(\\S+) (\\S+) (\\S+)" (\\d+) (\\d+)$'

# 提取所有捕获组
matches <- str_match(log_lines, log_pattern)
colnames(matches) <- c("full", "ip", "time", "method", "path", "protocol",
                       "status", "size")

# 转数据框
logs <- as_tibble(matches) |> select(-full) |>
  mutate(
    status = as.integer(status),
    size = as.integer(size)
  )

cat("\n=== 前 6 条解析结果 ===\n")
print(head(logs, 6))

# 4. 分析 1：状态码分布
cat("\n=== 状态码分布 ===\n")
status_summary <- logs |>
  group_by(status) |>
  summarise(次数 = n(), 占比 = round(n() / nrow(logs) * 100, 2)) |>
  arrange(desc(次数))
print(status_summary)

# 5. 分析 2：找出 404 错误的所有 URL
cat("\n=== 404 错误 Top 5 ===\n")
errors_404 <- logs |>
  filter(status == 404) |>
  group_by(path) |>
  summarise(次数 = n()) |>
  arrange(desc(次数)) |>
  head(5)
print(errors_404)

# 6. 分析 3：每个 IP 的访问量
cat("\n=== Top 5 活跃 IP ===\n")
top_ips <- logs |>
  group_by(ip) |>
  summarise(
    访问次數 = n(),
    错误数 = sum(status >= 400),
    总流量 = sum(size)
  ) |>
  arrange(desc(访问次數)) |>
  head(5)
print(top_ips)

# 7. 分析 4：每小时访问量
cat("\n=== 每分钟访问量（前 10 分钟）===\n")
logs <- logs |>
  mutate(minute = str_sub(time, 15, 16))

per_minute <- logs |>
  group_by(minute) |>
  summarise(访问次數 = n(), 错误数 = sum(status >= 400)) |>
  head(10)
print(per_minute)

# 8. 提取邮箱（如果日志含邮箱）
text_with_emails <- "Contact alice@example.com or bob@test.org for support."
email_pat <- "[\\w.+-]+@[\\w.-]+\\.[a-zA-Z]{2,}"
emails <- str_extract_all(text_with_emails, email_pat)
cat("\n=== 提取的邮箱 ===\n")
print(emails)

# 9. 清理
file.remove("nginx_demo.log")

逻辑代码 70 行（超过 40 行限制，仅展示）

预期输出（节选）：

TEXT 📖 仅展示

=== 状态码分布 ===
# A tibble: 6 × 3
  status  次数 占比
   <int> <int> <dbl>
1    200   698    70
2    404   105    10
3    201    52     5
...

=== Top 5 活跃 IP ===
# A tibble: 5 × 4
  ip           访问次數 错误数 总流量
  <chr>            <int>  <int>  <int>
1 192.168.97.1        8      1   18499
2 192.168.52.244      7      2   18438
...

❓ 常见问题

Q \\d 为什么是两个反斜杠？

A R 字符串 "\\d" 实际是正则的 \d——R 把 \\ 解析为单 \。同理 "\\s" 才是正则的 \s。

Q 怎么匹配中文？

A R 4.x UTF-8 直接 [\u4e00-\u9fff] 或 "中文" 字面量。如 GBK 文件先转 UTF-8。

📖 小节

正则是模式匹配语言，由字面字符 + 元字符 + 量词 + 锚点组成
元字符 . \d \s \w ^ $ \b 是核心
R 字符串里 \ 是转义，正则 \d 写成 "\\d"
4 大量词 * + ? {n,m} 控制重复次数
捕获组 (...) + 反向引用 \1 提取和复用
stringr 正则函数：str_detect / str_extract / str_match / str_replace_all / str_split
贪婪匹配最长字符串，加 ? 变非贪婪
HTML/XML 解析不要用正则——用 xml2 解析器

📝 作业

基础题：用正则从字符串 "价格：$99.50，数量：3 件，总计：$298.50" 提取所有金额（$XX.XX 格式），输出数字列表。
基础题：用正则验证以下数据是否符合邮箱格式：① user@example.com ② user.name+tag@sub.example.co.uk ③ invalid@ ④ @example.com。输出逻辑向量。
基础题：用正则从 "今天是 2024-01-15，天气晴朗；明天是 2024-01-16，多云" 提取所有日期，输出字符向量。
进阶题：模拟 100 条"订单确认邮件"文本（含订单号、金额、日期、商品名），用正则提取这 4 个字段到数据框，验证每条都成功提取。
挑战题：写一段脚本读 1000 行 Nginx 访问日志，用正则：① 解析每行字段（IP/时间/方法/URL/状态码/大小）② 统计 4xx 错误的 URL Top 10 ③ 找出访问频率最高的 IP ④ 算出每小时平均流量。截图保存分析结果。

Web-Tutorial 技术团队

由多位开发者共同维护的编程教程平台。每篇教程由对应领域的开发者编写和审核，确保内容准确可靠。如发现任何问题，欢迎向我们反馈。

关于我们

R: R 正则表达式

1. 你将学到

2. 一个日志分析的故事

(1) 痛点：百万条日志怎么办

(2) R 的解法

3. 正则基础语法

(1) 4 大元素

(2) 字面字符

(3) 元字符（核心）

(4) 量词

(5) 锚点

4. 分组与捕获

(1) 捕获组 (...)

(2) 反向引用 \1

(3) 非捕获组 (?:...)

5. 贪婪 vs 非贪婪

(1) 默认贪婪

(2) 非贪婪 *?

6. stringr 正则函数

(1) 函数速查表

(2) str_detect() 检测

(3) str_extract() 提取

(4) str_match() 捕获组

(5) str_replace_all() 替换

7. 实战：常见验证模式

(1) 各种验证正则

(2) 提取 URL 的各部分

8. 实战：Nginx 日志分析

▶ 示例：Nginx 访问日志分析

❓ 常见问题

📖 小节

📝 作业

🙏 帮我们做得更好

(1) 捕获组 `(...)`

(2) 反向引用 `\1`

(3) 非捕获组 `(?:...)`

(2) 非贪婪 `*?`