Hướng dẫn Regex trong R

Khái niệm biểu thức chính quy, thường gọi là regex, xuất hiện trong nhiều ngôn ngữ lập trình như R, Python, C, C++, Perl, Java và JavaScript. Bạn có thể sử dụng chức năng regex ngay trong phiên bản cơ bản của các ngôn ngữ đó hoặc thông qua thư viện. Đối với hầu hết ngôn ngữ, cú pháp mẫu regex khá tương đồng.

Trong hướng dẫn này, chúng ta sẽ tìm hiểu biểu thức chính quy trong R là gì, vì sao chúng quan trọng, những công cụ và hàm nào cho phép làm việc với chúng, các mẫu regex phổ biến nhất, và cách sử dụng. Cuối cùng, chúng ta sẽ điểm qua một số ứng dụng nâng cao của regex trong R.

Regex trong R là gì và vì sao bạn nên dùng?

Một biểu thức chính quy (regex) trong R là một dãy ký tự (thậm chí một ký tự) mô tả một mẫu nhất định xuất hiện trong văn bản. Mẫu regex có thể ngắn như ‘a’ hoặc dài như mẫu đề cập trong chủ đề trên StackOverflow.

Nhìn chung, định nghĩa trên về regex không chỉ áp dụng cho R mà còn cho mọi ngôn ngữ lập trình hỗ trợ biểu thức chính quy.

Regex là một công cụ rất linh hoạt và mạnh mẽ, được dùng rộng rãi để xử lý và khai thác dữ liệu văn bản phi cấu trúc. Chẳng hạn, chúng được ứng dụng trong công cụ tìm kiếm, phân tích từ vựng, lọc thư rác và các trình soạn thảo văn bản.

Công cụ và hàm làm việc với Regex trong R

Tuy mẫu regex tương tự nhau ở đa số ngôn ngữ, các hàm để làm việc với chúng lại khác nhau.

Trong R, chúng ta có thể dùng các hàm của base R để phát hiện, khớp, định vị, trích xuất và thay thế bằng regex. Dưới đây là các hàm chính tìm kiếm sự khớp regex trong một vector ký tự và thực hiện các thao tác sau:

• grep(), grepl() – trả về chỉ số của các chuỗi có khớp (grep()) hoặc một vector logic cho biết chuỗi nào có khớp (grepl()).

• regexpr(), gregexpr() – trả về vị trí bắt đầu khớp trong mỗi chuỗi và độ dài của phần khớp. regexpr() chỉ cung cấp thông tin cho lần khớp đầu tiên (từ trái qua), còn gregexpr() cho tất cả lần khớp.

• sub(), gsub() – thay thế phần khớp phát hiện được trong mỗi chuỗi bằng một chuỗi chỉ định (sub() – chỉ thay lần khớp đầu tiên, gsub() – thay tất cả các lần khớp).

• regexec() – hoạt động như regexpr() nhưng trả về thông tin tương tự cho một tiểu biểu thức chỉ định bên trong phần khớp.

• regmatches() – hoạt động như regexec() nhưng trả về đúng các chuỗi được phát hiện cho toàn bộ phần khớp và cho tiểu biểu thức chỉ định.

Tuy nhiên, thay vì dùng các hàm gốc của R, một cách thuận tiện và nhất quán hơn để làm việc với regex trong R là dùng gói stringr thuộc bộ tidyverse. Thư viện này được xây dựng trên gói stringi. Trong stringr, tất cả hàm đều bắt đầu bằng str_ và có tên gọi trực quan hơn nhiều (kể cả tên tham số tuỳ chọn) so với base R.

Để cài đặt và nạp gói stringr, chạy lệnh sau:

install.packages('stringr')
library(stringr)

Bảng dưới đây cho thấy sự tương ứng giữa các hàm stringr và các hàm base R đã thảo luận ở phần này:

Bạn có thể xem danh sách đầy đủ các hàm của stringr và biểu thức chính quy trong các cheat sheet này, nhưng chúng ta sẽ thảo luận một số hàm trong phần tiếp theo.

Lưu ý: trong các hàm của stringr, chúng ta truyền dữ liệu trước rồi đến regex, còn trong các hàm base R – thứ tự ngược lại.

Lưu ý khác: Hướng dẫn này dùng stringr 1.5.1, phiên bản hiện tại tính đến 2026. Nếu bạn dùng phiên bản cũ hơn, một số hành vi có thể khác — đặc biệt với str_view(), vốn đã được cập nhật đáng kể ở 1.5.0.

Các mẫu Regex trong R

Giờ, chúng ta sẽ điểm qua những mẫu regex phổ biến nhất trong R và cách dùng chúng, đồng thời luyện tập một số hàm của stringr.

Trước hết, hãy xem một ví dụ rất cơ bản. Cụ thể, hãy kiểm tra xem một con unicorn có ít nhất một cái "corn" không 😉

str_detect('unicorn', 'corn')

Kết quả:

TRUE

Trong ví dụ này, chúng ta dùng hàm str_detect() của stringr để kiểm tra sự xuất hiện của chuỗi corn trong chuỗi unicorn.

Tuy nhiên, thường thì chúng ta không tìm một chuỗi ký tự cố định mà là một mẫu nhất định – một biểu thức chính quy. Hãy cùng khám phá các mẫu như vậy.

Ký tự thoát (escape)

Một vài ký tự có ý nghĩa đặc biệt khi dùng trong regex của R. Cụ thể, chúng không khớp chính chúng như chữ và số, mà thực hiện điều khác:

str_extract_all('unicorn', '.')

Kết quả:

1. 'u' 'n' 'i' 'c' 'o' 'r' 'n'

Rõ ràng không có dấu chấm nào trong unicorn của chúng ta. Tuy vậy, hàm str_extract_all() đã trích xuất từng ký tự trong chuỗi. Đây chính là nhiệm vụ của ký tự . – khớp bất kỳ một ký tự đơn nào trừ xuống dòng.

Nếu muốn trích xuất một dấu chấm đúng nghĩa? Ta phải dùng ký tự thoát trước dấu chấm – dấu gạch chéo ngược (\). Tuy nhiên, cần lưu ý: dấu gạch chéo ngược cũng được dùng chính trong chuỗi như ký tự thoát. Nghĩa là ta cần “thoát ký tự thoát” trước, bằng hai dấu gạch chéo ngược. Xem thử:

str_extract_all('Eat. Pray. Love.', '\\.')

Kết quả:

1. '.' '.' '.'

Vậy, dấu gạch chéo ngược giúp vô hiệu hóa ý nghĩa đặc biệt của một số ký hiệu trong regex R và hiểu chúng theo nghĩa đen. Nó cũng có nhiệm vụ ngược lại: trao ý nghĩa đặc biệt cho một số ký tự vốn dĩ được hiểu theo nghĩa đen. Dưới đây là bảng các chuỗi thoát ký tự thường dùng:

Xem một vài ví dụ, lưu ý rằng trong các trường hợp này ta cũng phải dùng hai dấu gạch chéo ngược. Đồng thời, chúng ta giới thiệu thêm hàm stringr: str_view() để xem HTML đánh dấu lần khớp đầu tiên hoặc tất cả lần khớp:

str_view('Unicorns are so cute!', 's\\b')
str_view('Unicorns are so cute!', 's\\B')

Kết quả:

Unicorns are so cute!
Unicorns are so cute!

Trong chuỗi Unicorns are so cute!, có hai chữ s. Ở trên, mẫu regex R thứ nhất tô sáng lần xuất hiện đầu tiên của chữ s (vì theo sau là dấu cách), còn mẫu thứ hai – lần thứ hai (vì theo sau là một chữ cái, không phải ranh giới từ).

Thêm vài ví dụ:

cat('Unicorns are\nso cute!')
str_view('Unicorns are\nso cute!', '\\n')

Kết quả:

Unicorns are
so cute!

Unicorns are_so cute!

cat('Unicorns are\tso cute!')
str_view('Unicorns are\tso cute!', '\\t')

Kết quả:

Unicorns are so    cute!

Unicorns are_so cute!

Lớp ký tự

Một lớp ký tự khớp với bất kỳ ký tự nào thuộc một tập ký tự xác định trước. Các lớp ký tự dựng sẵn có cú pháp giống với chuỗi thoát ký tự ở phần trước: một dấu gạch chéo ngược theo sau bởi một chữ cái được trao ý nghĩa đặc biệt thay vì nghĩa đen. Các cấu trúc phổ biến nhất như sau:

Xem một số ví dụ dễ hiểu:

str_view('Unicorns are so cute!', '\\w')
str_view('Unicorns are so cute!', '\\W')

Kết quả:

[1] │ <U><n><i><c><o><r><n><s>< ><a><r><e>< ><s><o>< ><c><u><t><e>!
[1] │ Unicorns< >are< >so< >cute<!>

str_view('Unicorns are\nso cute!', '\\s')
str_view('Unicorns are\nso cute!', '\\S')

Kết quả:

Unicorns are<\n>so cute!

str_detect('Unicorns are so cute!', '\\d')

Kết quả:

FALSE

Các lớp ký tự dựng sẵn cũng có thể xuất hiện ở dạng thay thế – [:character_class_name:]. Một số lớp này tương đương với dạng có gạch chéo ngược; số khác thì không. Những lớp phổ biến nhất:

Hãy xem một số ví dụ, nhớ rằng cần đặt bất kỳ mẫu regex R nào ở trên trong dấu ngoặc vuông:

str_view('Unicorns are so cute!', '[[:upper:]]')
str_view('Unicorns are so cute!', '[[:lower:]]')

Kết quả:

Unicorns are so cute!

Unicorns are so cute!

str_detect('Unicorns are so cute!', '[[:digit:]]')

Kết quả:

FALSE

str_extract_all('Unicorns are so cute!', '[[:punct:]]')

Kết quả:

1. '!'

str_view('Unicorns are so cute!', '[[:space:]]')

Kết quả:

Unicorns_are_so_cute!

Bạn cũng có thể tạo lớp ký tự do người dùng định nghĩa bằng cách đặt trong ngoặc vuông bất kỳ tập ký tự nào mà từ đó ta muốn khớp một ký tự bất kỳ. Ta có thể bao gồm trong ngoặc vuông một khoảng chữ hoặc số (theo thứ tự Unicode), nhiều khoảng khác nhau, hoặc bất kỳ tập ký tự liên tiếp/không liên tiếp hay nhóm ký tự nào.

Ví dụ, [A-D] sẽ khớp bất kỳ chữ hoa từ A đến D (bao gồm), [k-r] – bất kỳ chữ thường từ k đến r, [0-7] – bất kỳ chữ số từ 0 đến 7, và [aou14%9] – bất kỳ ký tự nào nằm trong ngoặc vuông. Nếu đặt dấu mũ (⁠^) là ký tự đầu tiên trong ngoặc vuông, mẫu regex R sẽ khớp bất kỳ thứ gì ngoại trừ các ký tự đã cho. Lưu ý các cơ chế khớp ở trên là phân biệt chữ hoa/thường.

str_view('Unicorns Are SOOO Cute!', '[O-V]')
str_view('Unicorns Are SOOO Cute!', '[^O-V]')

Kết quả:

Unicorns Are SOOO Cute!

Unicorns Are SOOO Cute!

str_view('3.14159265359', '[0-2]')
Kết quả:
3.14159265359
str_view('The number pi is equal to 3.14159265359', '[n2e9&]')
Kết quả:
The number pi is equal to 3.14159265359
Bộ đếm lặp (Quantifier)
Thường chúng ta cần khớp lặp lại một mẫu regex R nào đó thay vì đúng một lần. Để làm vậy, ta dùng bộ đếm lặp. Bộ đếm lặp luôn đứng sau mẫu regex mà nó áp dụng. Các bộ đếm phổ biến nhất như trong bảng dưới:




Regex R


Số lần lặp mẫu




*


0 lần hoặc nhiều hơn




+


ít nhất 1 lần




?


nhiều nhất 1 lần




{n}


chính xác n lần




{n,}


ít nhất n lần




{n,m}


ít nhất n và nhiều nhất m lần




Hãy thử tất cả:
str_extract('dog', 'dog\\d*')
Kết quả:
'dog'
Chúng ta nhận lại chuỗi ban đầu dog: không có chữ số ở cuối chuỗi, nhưng điều đó vẫn chấp nhận (0 hoặc nhiều chữ số).
str_extract('12345', '\\d+')
Kết quả:
'12345'
str_extract('12345', '\\d?')
Kết quả:
'1'
str_extract('12345', '\\d{3}')
Kết quả:
'123'
str_extract('12345', '\\d{7,}')
Kết quả:
NA
Chúng ta nhận NA vì không có ít nhất 7 chữ số trong chuỗi, chỉ có 5.
str_extract('12345', '\\d{2,4}')
Kết quả:
'1234'
Mỏ neo (Anchors)
Mặc định, regex R sẽ khớp ở bất kỳ phần nào của chuỗi đã cho. Ta có thể thay đổi hành vi này bằng cách chỉ định vị trí nhất định của mẫu regex trong chuỗi. Thường nhất, ta muốn ép khớp từ đầu hoặc cuối chuỗi. Để làm vậy, dùng hai mỏ neo chính trong regex R:


^ – khớp từ đầu chuỗi (với chuỗi nhiều dòng – đầu mỗi dòng)


$ – khớp từ cuối chuỗi (với chuỗi nhiều dòng – cuối mỗi dòng)


Hãy xem cách chúng hoạt động với ví dụ palindrome stella won no wallets:
str_view('stella won no wallets', '^s')
str_view('stella won no wallets', 's$')
Kết quả:
<s>tella won no wallets
stella won no wallet<s>
Nếu muốn khớp chính các ký tự ^ hoặc $, ta cần đặt trước ký tự quan tâm một dấu gạch chéo ngược (gấp đôi):
str_view('Do not have 100$, have 100 friends', '\\$')
Kết quả:
Do not have 100$, have 100 friends
Ta cũng có thể gắn neo vào ranh giới từ hoặc không phải ranh giới từ bên trong chuỗi (lần lượt là \b và \B):
str_view('road cocoa oasis oak boa coach', '\\boa')
str_view('road cocoa oasis oak boa coach', 'oa\\b')
str_view('road cocoa oasis oak boa coach', 'oa\\B')
Kết quả:
road cocoa oasis oak boa coach
road cocoa oasis oak boa coach
road cocoa oasis oak boa coach
Ở trên, chúng ta khớp tổ hợp chữ oa:

Ví dụ 1 – ở đầu từ
Ví dụ 2 – ở cuối từ
Ví dụ 3 – khi theo sau là ký tự thuộc từ (trong trường hợp này – là chữ cái)

Phép chọn (Alternation)
Dùng toán tử thay thế (|), chúng ta có thể khớp nhiều hơn một mẫu regex R trong cùng một chuỗi. Lưu ý rằng nếu dùng toán tử này như một phần của lớp ký tự do người dùng định nghĩa, nó được hiểu theo nghĩa đen, vì vậy không thực hiện phép thay thế.
str_view('coach koala board oak cocoa road boa load coat oasis boat', 'boa|coa')
Kết quả:
coach koala board oak cocoa road boa load coat oasis boat
Trong ví dụ trên, chúng ta khớp tất cả lần xuất hiện của boa hoặc coa.
Nhóm (Grouping)
Các mẫu regex R tuân theo một số quy tắc ưu tiên. Ví dụ, lặp (dùng bộ đếm) được ưu tiên hơn gắn neo, trong khi gắn neo lại ưu tiên hơn phép chọn. Để ghi đè các quy tắc này và tăng ưu tiên cho một thao tác nhất định, ta nên dùng nhóm. Thao tác này thực hiện bằng cách đặt một tiểu biểu thức quan tâm trong dấu ngoặc tròn.
Nhóm phát huy hiệu quả nhất khi kết hợp với toán tử thay thế. Các ví dụ dưới đây minh họa rõ tác dụng của sự kết hợp này:
str_view('code rat coat cot cat', 'co|at')
str_view('code rat coat cot cat', 'c(o|a)t')
Kết quả:
code rat coat cot cat
code rat coat cot cat
Ứng dụng nâng cao của Biểu thức Chính quy trong R
Mọi thứ đã bàn đến đây cung cấp nền tảng tốt để bắt đầu làm việc với regex trong R. Tuy nhiên, còn rất nhiều điều có thể làm với công cụ mạnh mẽ này. Không đi sâu chi tiết, hãy chỉ điểm qua một số thao tác nâng cao có thể thực hiện với regex trong R:

Ghi đè thiết lập mặc định của các hàm stringr
Khớp cụm chữ tượng hình (grapheme cluster)
Tham chiếu ngược nhóm (backreference)
Khớp thuộc tính Unicode
Áp dụng kỹ thuật thoát ký tự nâng cao
Kiểm tra sự tồn tại của mẫu mà không đưa vào kết quả (lookaround)
Biến cơ chế lặp của mẫu thành lười thay vì tham lam
Làm việc với nhóm nguyên tử (atomic group)

Tìm hiểu thêm trong khóa học Intermediate Regular Expressions in R.
Thử thách Regex trong R
Bây giờ đến lượt bạn thực hành các mẫu regex R đã thảo luận trong hướng dẫn này. Hãy dùng Bộ dữ liệu: Internet News and Consumer Engagement, và thử làm điều sau: trích xuất miền cấp cao nhất (TLD) từ tất cả URL. Một số ví dụ TLD là com, net, uk, v.v.
Có nhiều cách để hoàn thành bài này, bao gồm các lời giải một dòng gọn gàng và súc tích (gợi ý: bạn có thể tìm hiểu thêm về lookaround trong regex R đã nhắc ở phần trước và dùng chúng để giải quyết). Hãy cân nhắc gợi ý rất lỏng cho một cách tiếp cận tương đối “tập sự” dưới đây:

Quan sát một số URL trong bộ dữ liệu và nhận ra những mẫu nào luôn xuất hiện trong bất kỳ URL nào trước TLD và mẫu nào là tùy chọn
Xem có mẫu nào là bắt buộc trong bất kỳ URL nào sau TLD (nếu có thì là gì) và mẫu nào là tùy chọn
Loại bỏ mọi thứ trước TLD của URL
Loại bỏ mọi thứ sau TLD của URL

Để giải quyết theo thuật toán trên, bạn không cần làm hay học thêm gì nữa. Chỉ cần ôn lại mọi thứ đã bàn trong hướng dẫn này và áp dụng. Cụ thể, bạn sẽ cần các hàm của stringr, ký tự thoát, lớp ký tự, bộ đếm lặp và nhóm.
Thưởng: Thử thách #2
Nếu muốn luyện thêm, lần này không có gợi ý, hãy thử làm điều sau: dùng cùng bộ dữ liệu ở thử thách trước, trích xuất tên miền từ tất cả URL. Ví dụ về tên miền là google trong URL www.google.com.
Kết luận
Tổng kết lại, trong hướng dẫn này, chúng ta đã học nhiều điều về biểu thức chính quy trong R. Cụ thể, chúng ta đã thảo luận:

Regex trong R là gì
Vì sao chúng quan trọng và nơi chúng được áp dụng
Những hàm nào (từ R gốc và thư viện chuyên dụng) dùng để làm việc với regex trong R
Các mẫu regex R phổ biến nhất cùng phạm vi, sắc thái và lưu ý
Khi nào và cách dùng ký tự thoát, lớp ký tự, bộ đếm, mỏ neo, phép chọn và nhóm với regex R
Nhiều ví dụ áp dụng regex R và các hàm
Một số thao tác nâng cao với biểu thức chính quy trong R

Những kỹ năng và khái niệm này sẽ giúp ích cho bạn khi làm việc trong R và nhiều ngôn ngữ lập trình khác, vì khái niệm biểu thức chính quy là như nhau và cú pháp regex cũng khá tương đồng ở đa số ngôn ngữ.
Nếu bạn muốn nâng cao kỹ năng R, hãy tham khảo các khóa học, lộ trình kỹ năng và bài viết sau của DataCamp:

Introduction to R
Intermediate R
R Programming
Importing & Cleaning Data with R
10 Ý tưởng Dự án R Hàng đầu cho năm 2026
R là gì? – Cỗ máy tính toán thống kê hùng mạnh
Bắt đầu với R như thế nào