正则表达式提取美国邮政编码，但不提取假代码

使用 XML 包和 XPath 从网站上抓取地址，有时我只能得到一个嵌入了我想要的邮政编码的字符串。提取邮政编码很简单，但有时会显示其他五位数字的字符串。

以下是 df 中问题的一些变体。

zips <- data.frame(id = seq(1, 5), address = c("Company, 18540 Main Ave., City, ST 12345", "Company 18540 Main Ave. City ST 12345-0000", "Company 18540 Main Ave. City State 12345", "Company, 18540 Main Ave., City, ST 12345 USA", "Company, One Main Ave Suite 18540, City, ST 12345")) 

下面是提取邮政编码（5 位数字和加 4 位数字）的 R 语句，但它被街道号码和套房号码的虚假邮政编码所欺骗（并且其他地址字符串中可能还有其他可能性）。

regmatches(zips$address, gregexpr("\\d{5}([-]?\\d{4})?", zips$address, perl = TRUE))

上一个 SO 问题的答案表明“正则表达式将返回最后一个连续的五位数字字符串。它使用负向前瞻来确保返回的字符串后不存在 5 位数字字符串。”
从地址字符串中提取邮政编码 https://stackoverflow.com/questions/21074812/extracting-a-zip-code-from-an-address-string

\b\d{5}\b(?!.*\b\d{5}\b)

但是这个问题和答案涉及 PHP 并提供了一个带有 preg_matches()` 的 if 循环，我不熟悉这些语言和工具，但这个想法可能是正确的。

我的问题：什么 R 代码会找到真正的邮政编码并忽略虚假的相似邮政编码？

这是我的第一个正则表达式答案（我仍在学习），所以希望我不会说任何错误的话来引导您走向错误的方向。

基本上，正如您在问题中暗示的那样，这个正则表达式会查找最后一个看起来像邮政编码的字符串，该字符串后面不跟有看起来像邮政编码的字符串

基本语法是pattern(?!.*pattern)上面说要匹配pattern仅当不遵循时（否定的前瞻断言，语法：(?! )) by anything .* and pattern

所以我们可以用您感兴趣的内容替换模式：

[0-9]{5}(-[0-9]{4})?

即一个数字字符串[0-9]正好 5 个字符{5}（可以选择跟随?由另一组定义为连字符和另一个长度为 4 的数字字符串(-[0-9]{4})

把它们放在一起gregexpr搜索匹配项并regmatches为了给我解释结果，我得到：

zips <- data.frame(id = seq(1, 5), address = c("Company, 18540 Main Ave., City, ST 12345", "Company 18540 Main Ave. City ST 12345-0000", "Company 18540 Main Ave. City State 12345", "Company, 18540 Main Ave., City, ST 12345 USA", "Company, One Main Ave Suite 18540, City, ST 12345")) 
regmatches(zips$address,
           gregexpr('[0-9]{5}(-[0-9]{4})?(?!.*[0-9]{5}(-[0-9]{4})?)', zips$address, perl = TRUE))

# [[1]]
# [1] "12345"
# 
# [[2]]
# [1] "12345-0000"
# 
# [[3]]
# [1] "12345"
# 
# [[4]]
# [1] "12345"
# 
# [[5]]
# [1] "12345"