提取正则表达式匹配项

使用新的stringr软件包,该软件包以一致的语法包装所有现有正则表达式,并添加一些缺少的内容:

library(stringr)
str_locate("aaa12xxx", "[0-9]+")
#      start end
# [1,]     4   5
str_extract("aaa12xxx", "[0-9]+")
# [1] "12"

说“我的朋友”可能有点草率 忽略标准函数 “-的帮助文件 ?gsub 即使是“另请参见”中的具体引用:

regmatches,用于根据

因此,这将起作用,而且相当简单:

txt <- "aaa12xxx"
regmatches(txt,regexpr("[0-9]+",txt))
#[1] "12"

gsub("[^0-9]", "", "aaa12xxxx")
# [1] "12"

它在更复杂的情况下不起作用

gsub("[^0-9]", "", "aaa12xxxx34")
# [1] "1234"

您可以使用PERL正则表达式的惰性匹配:

> sub(".*?([0-9]+).*", "\\1", "aaa12xx99",perl=TRUE)
[1] "12"

在这种情况下,尝试替换非数字将导致错误。

在正则表达式中使用捕获括号,在替换中使用组引用。括号中的任何内容都会被记住。然后,第一项\2将访问它们。第一个反斜杠在R中转义反斜杠的解释,以便将其传递给正则表达式解析器。

gsub('([[:alpha:]]+)([0-9]+)([[:alpha:]]+)', '\\2', "aaa12xxx")

一种方法是:

test <- regexpr("[0-9]+","aaa12456xxx")

现在,请注意regexpr为您提供了字符串的起始索引和结束索引:

    > test
[1] 4
attr(,"match.length")
[1] 5

substr("aaa12456xxx",test,test+attr(test,"match.length")-1)

我相信有一种更优雅的方法可以做到这一点,但这是我能找到的最快的方法。或者,您可以使用sub/gsub除去您不想要的内容,留下您想要的内容。

这些方法之间的一个重要区别是任何不匹配的行为。例如,如果所有位置都不匹配,则regmatches方法可能不会返回与输入长度相同的字符串

> txt <- c("aaa12xxx","xyz")

> regmatches(txt,regexpr("[0-9]+",txt)) # could cause problems

[1] "12"

> gsub("[^0-9]", "", txt)

[1] "12" ""  

> str_extract(txt, "[0-9]+")

[1] "12" NA  

library(gsubfn)
x <- c("xy13", "ab 12 cd 34 xy")
strapply(x, "\\d+", as.numeric)
# list(13, c(12, 34))

这表示匹配x的每个分量中的一个或多个数字(\d+)并将每个匹配传递为.numeric。它返回一个列表,其组件是x的各个组件的匹配向量。查看输出,我们可以看到x的第一个分量有一个匹配项,即13,而x的第二个分量有两个匹配项,即12和34。请参阅 http://gsubfn.googlecode.com

另一个解决方案:

temp = regexpr('\\d', "aaa12xxx");
substr("aaa12xxx", temp[1], temp[1]+attr(temp,"match.length")[1])

library(stringr)
str_extract_all("aaa12xxx", regex("[[:digit:]]{1,}"))
# [[1]]
# [1] "12"

[:数字:]

{1,}

使用包 脱胶 我们将做以下工作:

# install.packages("unglue")
library(unglue)
unglue_vec(c("aaa12xxx", "aaaARGH!xxx"), "{prefix}{number=\\d+}{suffix}", var = "number")
#> [1] "12" NA

^{于2019-11-06由 reprex package}

使用 convert 要自动转换为数字的参数:

unglue_vec(
  c("aaa12xxx", "aaaARGH!xxx"), 
  "{prefix}{number=\\d+}{suffix}", 
  var = "number", 
  convert = TRUE)
#> [1] 12 NA

您可以用C++编写正则表达式函数,将它们编译成DLL,并从R调用它们。

    #include <regex>

    extern "C" {
    __declspec(dllexport)
    void regex_match( const char **first, char **regexStr, int *_bool)
    {
        std::cmatch _cmatch;
        const char *last = *first + strlen(*first);
        std::regex rx(*regexStr);
        bool found = false;
        found = std::regex_match(*first,last,_cmatch, rx);
        *_bool = found;
    }

__declspec(dllexport)
void regex_search_results( const char **str, const char **regexStr, int *N, char **out )
{
    std::string s(*str);
    std::regex rgx(*regexStr);
    std::smatch m;

    int i=0;
    while(std::regex_search(s,m,rgx) && i < *N) {
        strcpy(out[i],m[0].str().c_str());
        i++;
        s = m.suffix().str();
    }
}
    };

打电话来

dyn.load("C:\\YourPath\\RegTest.dll")
regex_match <- function(str,regstr) {
.C("regex_match",x=as.character(str),y=as.character(regstr),z=as.logical(1))$z }

regex_match("abc","a(b)c")

regex_search_results <- function(x,y,n) {
.C("regex_search_results",x=as.character(x),y=as.character(y),i=as.integer(n),z=character(n))$z }

regex_search_results("aaa12aa34xxx", "[0-9]+", 5)