代码之家 › 专栏 › 技术社区 › Josh

从路径中提取文件夹、文件名和扩展名

backreference regex r

Josh · 技术社区 · 8 年前

我有一个包含文件路径和名称的数据框,格式如下:

files_list <- c(
  "C:/User/Name/Folder/Subfolder1/Sub-subfolder/file.txt", 
  "C:/User/Name/Folder/Subfolder1/Sub-subfolder/file - Copy.txt",
  "C:/User/Name/Folder/Subfolder1/Sub-subfolder/file (1).txt",
  "C:/User/Name/Folder/Subfolder1/Sub-subfolder/file - Copy (2).txt",
  "C:/User/Name/Folder/Subfolder1/fileB.txt",
  "C:/User/Name/Folder/file.C.txt",
  "C:/User/Name/Folder/file-D.txt", 
  "C:/User/Name/Folder/file",
  "C:/User/Name/Folder/file Z.txt", 
  "C:/User/Name/Folder/file - backup.txt"
)

每个文件都有父文件夹和名称。这些名称可以包含一个或多个句点“.”和/或破折号“-”。此外,有些还有“副本”符号、数字名称和/或文件扩展名。我要将数据转换为如下所示的内容:

[1]  "Sub-subfolder   file   txt"
[2]  "Sub-subfolder   file   Copy   txt"
[3]  "Sub-subfolder   file   1   txt"
[4]  "Sub-subfolder   file   Copy   2   txt"
[5]  "Subfolder1   fileB   txt"
[6]  "Folder   file.C   txt"
[7]  "Folder   file-D   txt"
[8]  "Folder   file"
[9]  "Folder   file Z   txt"
[10] "Folder   file - backup   txt"

这是我认为应该做到的代码:

sub(
  "(^.:/)([^/.]+/)*([^/.]+/)([^/]+)(\\s-\\sCopy)?(\\s\\(([0-9]+)\\))?(\\.([^.]+))?$", 
  "\\3   \\4   \\5   \\7   \\9",
  files_list
)

但我得到的是:

[1] "Sub-subfolder/   file.txt         "           
[2] "Sub-subfolder/   file - Copy.txt         "    
[3] "Sub-subfolder/   file (1).txt         "       
[4] "Sub-subfolder/   file - Copy (2).txt         "
[5] "Subfolder1/   fileB.txt         "             
[6] "Folder/   file.C.txt         "                
[7] "Folder/   file-D.txt         "

斜杠“/”和额外的空格我可以处理,但“复制”符号、数字名称和文件扩展名并没有像我期望的那样分开。

关于如何识别“复制”符号、编号和文件扩展名有何建议?或者我应该在一行代码中标识父文件夹,在另一行代码中分隔其余文件夹?

(最终,我将把这些文本字符串转换成一个数据框,其中文件夹、文件名、副本名称和扩展名是单独的列。我很确定我可以用它 tidyr::separate ,但即使这样也需要了解regex,我想学习如何使用 () 以及后面的参考资料。)

3 回复 | 直到 8 年前

RHertel 8 年前

这可能有助于:

library(tools)
as.data.frame(cbind(dirname(files_list), file_path_sans_ext(basename(files_list)), file_ext(files_list)))
#                                            V1              V2  V3
#1 C:/User/Name/Folder/Subfolder1/Sub-subfolder            file txt
#2 C:/User/Name/Folder/Subfolder1/Sub-subfolder     file - Copy txt
#3 C:/User/Name/Folder/Subfolder1/Sub-subfolder        file (1) txt
#4 C:/User/Name/Folder/Subfolder1/Sub-subfolder file - Copy (2) txt
#5               C:/User/Name/Folder/Subfolder1           fileB txt
#6                          C:/User/Name/Folder          file.C txt
#7                          C:/User/Name/Folder          file-D txt
#8                          C:/User/Name/Folder            file

Onyambu 8 年前

我仍然不知道你是否需要把它们串成一根绳子:如下所示

gsub("[/().]| - "," ",sub(".*?([^/]+/[^/]+$)","\\1",files_list))

[1] "Sub-subfolder file txt"         
[2] "Sub-subfolder file Copy txt"    
[3] "Sub-subfolder file  1  txt"     
[4] "Sub-subfolder file Copy  2  txt"
[5] "Subfolder1 fileB txt"           
[6] "Folder file C txt"              
[7] "Folder file-D txt"              
[8] "Folder file"

如果您只需要一种模式,那么:

pattern="[^/]+(?=/[^/]+$)|\\w+(?=[ ).-])|\\w+$"
regmatches(files_list,gregexpr(pattern,files_list,perl = TRUE))

Demo

Josh 8 年前

抱歉,如果这不是最好的方法。我意识到我的问题是不完整的,我想让这个问题更完整,同时也分享我提出的解决方案。

我希望此代码处理所有可能的名称结构:

“c:/”或任何其他目录/子目录中的文件
具有以下任何字符/功能的文件名
- 文件扩展名开头“.”之前的“.”
- “-”或“-”不是“-副本”的一部分
- 文件名末尾的“”或“(”不是“(数字)”的一部分

我使用此代码生成示例文件名/路径覆盖所有文件夹/名称/副本/编号/扩展名组合:

files.df <- expand.grid(
    c("C:/"), 
    c("", "F1/", "F1/F2/"), 
    c("folder/"), 
    c("file"), 
    c("", " space", "-dash", " - spacedash", ".period", ".firstperiod.secondperiod"), 
    c("", 1, " 1", 10, " 10"), 
    c("", " - Copy"), 
    c("", " (1)", " (10)"), 
    c("", ".999", ".aaa"), 
    stringsAsFactors = F
)

for (i in 1:nrow(files.df)) {
    if (!exists("x")) {
        x <- vector(mode="character", length=0)
    }
    x[i] <- paste(as.character(as.vector(files.df[i, ])), sep = "", collapse = "")
}

经过多次试错使用( regex101 ,谢谢@onyambu!),我把下面的荒谬正则表达式组合在一起,它们实际上是有效的:

sum(grepl(
    "^.:/(([^/]+)(?=/)/?)*(?<=/)(([^/](?! - Copy| \\([0-9]+\\)|\\.[^/\\.]+$))+.)( - )?((?<= - )Copy(?= \\([0-9]+\\)(?=\\.[^/\\.]+$|$)|\\.[^/\\.]+$|$))?( \\()?((?<= \\()([0-9]+)\\)(?=\\.[^/\\.]+$|$))?\\.?((?<=\\.)([^/\\.]+))?$", 
    x,
    perl = T
))
[1] 1620

length(x)
[1] 1620

不幸的是,这个regex包含10个捕获组,我只能反向引用其中的9个(并且10是文件扩展名)。所以我将使用@rhertel更优雅的解决方案。但如果有人看到减少抓捕组数量的方法,请告诉我!