用于正则表达式捕获组的R函数是什么？

Question

用于正则表达式捕获组的R函数是什么？

8

我正在使用R语言处理文本，对于某些特定的提取需求，我需要使用捕获组。但出于某种原因，我熟悉的基础/stringr函数似乎不支持捕获组：

str_extract("abcd123asdc", pattern = "([0-9]{3}).+$") 
# Returns: "123asdc"

stri_extract(str = "abcd123asdc", regex = "([0-9]{3}).+$")
# Returns: "123asdc"

grep(x = "abcd123asdc", pattern = "([0-9]{3}).+$", value = TRUE)
# Returns: "abcd123asdc"

常规的“R捕获组正则表达式”谷歌搜索没有提供有用的解决方案。我是错过了什么，还是在R中未实现捕获组？编辑：尝试评论中提出的解决方案后，它适用于小例子，但对于我的情况失败了。请注意，这是来自enron电子邮件数据集的文本，不包含敏感信息。

txt <- "Message-ID: <24216240.1075855687451.JavaMail.evans@thyme>
Date: Wed, 18 Oct 2000 03:00:00 -0700 (PDT)
From: phillip.allen@enron.com
To: leah.arsdall@enron.com
Subject: Re: test
Mime-Version: 1.0
Content-Type: text/plain; charset=us-ascii
Content-Transfer-Encoding: 7bit
X-From: Phillip K Allen
X-To: Leah Van Arsdall
X-cc: 
X-bcc: 
X-Folder: \\Phillip_Allen_Dec2000\\Notes Folders\\sent mail   
X-Origin: Allen-P
X-FileName: pallen.nsf

test successful.  way to go!!!"

sub("X-FileName:.+\n\n([\\W\\w]+)$", "\\1", txt)
# Returns all of "txt", not the capture group

由于我们只有一个捕获组，应该用"\1"来捕获它，我已经在在线正则表达式测试器上测试过了，应该可以工作。也尝试使用\n和\n来表示换行符。有什么想法吗？

- BallzofFury

sub(".*([0-9]{3}.+$)", "\\1", "abcd123asdc") 可能会返回：123asdc - David Arenburg

@hwnd：实际的正则表达式不太容易显式匹配，但这个例子更容易输入。 - BallzofFury

@David Arenburg：太棒了，看起来可以工作！ - BallzofFury

请参阅gregexpr。 - David Arenburg

@BallzofFury：在你的输入文本中，\P和\N是未知的转义序列，反斜杠必须加倍。 - Wiktor Stribiżew

regmatches 用于在 R 中仅提取匹配项，与 g/regexpr 和 regexec 结合使用。它在 ?grep 的“另请参阅”部分中列出并描述 - 帮助文件总是值得一读的。 - thelatemail

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Wiktor Stribiżew · Accepted Answer

完成任务

你可以始终使用 stringr 来提取捕获组，使用 str_match 或 str_match_all:

> result <- str_match(txt, "X-FileName:.+\n\n(?s)(.+)$")
> result[,2]
[1] "test successful.  way to go!!!"

模式详细信息:

X-FileName： - 一个字面子字符串
.+ - 任何一个1个或多个字符，除了换行符（因为在ICU正则表达式中，点不匹配换行符）
\n\n - 2个换行符号
(?s) - 内联DOTALL修改器（现在右侧的.将匹配换行符号）
(.+) - Group 1捕获任何1个或多个字符（包括换行符），直到
$ - 字符串的结尾。

或者您可以使用基本R regmatches与regexec：

> result <- regmatches(txt, regexec("X-FileName:[^\n]+\n\n(.+)$", txt))
> result[[1]][2]
[1] "test successful.  way to go!!!"

请参见在线R演示。在这里，使用了TRE正则表达式（不幸的是，无法使用PCRE正则表达式），因此。将匹配包括换行符在内的任何字符，因此模式看起来像X-FileName:[^\n]+\n\n(.+)$：

X-FileName: - 字面字符串
[^\n]+ - 除换行符外的1个或多个字符
\n\n - 2个换行符
(.+) - 任何1个或多个字符（包括换行符），尽可能多地匹配，直到
$ - 字符串结束。

还可以考虑sub选项：

sub(".*X-FileName:[^\n]+\n\n", "", txt)
[1] "test successful.  way to go!!!"

请看这个R演示。在这里，.*匹配任意0+个字符，尽可能多地匹配整个字符串，然后回溯查找X-FileName:子字符串，[^ \n]+匹配除了换行符之外的一个或多个字符，然后\n\n匹配2个换行符。

性能比较

考虑到hwnd的评论，我添加了基于TRE正则表达式的sub选项，它似乎是所有建议中最快的。使用str_match几乎与我的上面的sub代码一样快：

library(microbenchmark)

f1 <- function(text) { return(str_match(txt, "X-FileName:.+\n\n(?s)(.+)$")[,2]) }
f2 <- function(text) { return(regmatches(txt, regexec("X-FileName:[^\n]+\n\n(.+)$", txt))[[1]][2]) }
f3 <- function(text) { return(sub('(?s).*X-FileName:[^\n]+\\R+', '', txt, perl=TRUE)) }
f4 <- function(text) { return(sub('.*X-FileName:[^\n]+\n\n', '', txt)) }

> test <- microbenchmark( f1(txt), f2(txt), f3(txt), f4(txt), times = 500000 )
> test
Unit: microseconds
    expr    min     lq     mean median     uq       max neval  cld
 f1(txt) 21.130 24.451 28.08150 27.168 28.677 53796.565 5e+05  b  
 f2(txt) 29.280 32.903 37.46800 35.318 37.431 54556.635 5e+05   c 
 f3(txt) 57.655 59.466 63.36906 60.674 61.881  1651.448 5e+05    d
 f4(txt) 22.036 23.545 25.56820 24.451 25.356  1660.504 5e+05 a