R中的重叠匹配

Question

我进行了搜索，并找到了这个论坛讨论，以实现重叠匹配的效果。

我还发现以下SO问题，涉及查找索引以执行此任务，但未能找到有关在R语言中抓取重叠匹配的简明信息。

我可以在支持（PCRE）的任何语言中执行此任务，通过在前瞻内实现捕获组来捕获重叠匹配。

但是，在R中使用perl=T实际执行相同的操作时，没有结果产生。

> x <- 'ACCACCACCAC'
> regmatches(x, gregexpr('(?=([AC]C))', x, perl=T))[[1]]
[1] "" "" "" "" "" "" ""

同样适用于同时使用 stringi 和 stringr 包。

> library(stringi)
> library(stringr)
> stri_extract_all_regex(x, '(?=([AC]C))')[[1]]
[1] "" "" "" "" "" "" ""
> str_extract_all(x, perl('(?=([AC]C))'))[[1]]
[1] "" "" "" "" "" "" ""

执行此操作应返回以下正确结果：

[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

编辑

1. 我非常清楚regmatches在捕获匹配方面的表现不佳，但是究竟是什么原因导致了这种行为，为什么没有返回结果？我正在寻找一个比较详细的答案。

2. stringi和stringr包是否不能像regmatches那样执行此操作？

3. 请随意添加我的答案或提出一个与我发现的不同的解决方法。

- hwnd

Answer 1

至于解决方法，这是我想出来提取重叠匹配的方案。

> x <- 'ACCACCACCAC'
> m <- gregexpr('(?=([AC]C))', x, perl=T)
> mapply(function(X) substr(x, X, X+1), m[[1]])
[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

请随意添加或评论更好的执行此任务的方法。

- hwnd

---

这个解决方案的问题在于，它只适用于捕获区域始终为2个字符的情况。更通用的解决方案是： - Ken Williams

哎呀，我忘了不能在评论中放置代码块。我会将其作为单独的答案发布。 - Ken Williams

Answer 2

标准的regmatches在处理捕获匹配时效果不佳（特别是在同一字符串中有多个捕获匹配的情况下）。而且，在这种情况下，由于你正在“匹配”一个前瞻（忽略捕获），所以匹配本身的长度为零。还有一个可能会说明这一点的regmatches()<-函数。请注意。

x <- 'ACCACCACCAC'
m <- gregexpr('(?=([AC]C))', x, perl=T)
regmatches(x, m) <- "~"
x
# [1] "~A~CC~A~CC~A~CC~AC"

请注意所有字母都被保留了，我们只是用可以观察到的东西替换了零长度匹配的位置。

我创建了一个regcapturedmatches()函数，我经常用它来完成这样的任务。例如：

x <- 'ACCACCACCAC'
regcapturedmatches(x, gregexpr('(?=([AC]C))', x, perl=T))[[1]]

#      [,1] [,2] [,3] [,4] [,5] [,6] [,7]
# [1,] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

< p > gregexpr 很好地获取了所有数据，因此您可以从该对象中提取它，无论您是否愿意使用此辅助函数。 < /p >

- MrFlick

---

你创建了一个有趣的函数。我很清楚零宽度匹配，所以基本上regmatches和其他包（如stringi、r）都不能处理这个问题？ - hwnd

我个人没有使用过stringr，所以无法对其进行评论。但是，regmatches 真正专注于匹配而不是捕获（尽管它们高度相关但略有不同）。我已经添加了一个额外的示例，试图清楚地说明 regmatches() 捕获的内容与我的函数有何不同。 - MrFlick

是的，我之前也使用过 regmatches()<- 来观察零宽度匹配的效果。 - hwnd

Answer 3

使用前瞻部分中的捕获组的 stringi 解决方案：

> stri_match_all_regex('ACCACCACCAC', '(?=([AC]C))')[[1]][,2]
## [1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"    

- gagolews

---

奇怪，为什么使用stri_extract_all_regex无法正常工作？ - hwnd

@hwnd：这是一个0长度匹配；(?=...)不会推进输入位置。不会。 - gagolews

是的，我知道这是一个零宽度匹配 =) 我猜extract_all_regex和match_all_regex之间有所不同。 - hwnd

不，结果矩阵的第一列（整个匹配）仅由空字符串组成 :) - gagolews

好的，现在我明白并理解你的意思了。 - hwnd

Answer 4

提取相同信息的另一种方法是用"capture.length"替换"match.length"，这是我过去常用的方法之一：

x <- c("ACCACCACCAC","ACCACCACCAC")
m <- gregexpr('(?=([AC]C))', x, perl=TRUE)
m <- lapply(m, function(i) {
       attr(i,"match.length") <- attr(i,"capture.length")
       i
     })
regmatches(x,m)

#[[1]]
#[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"
#
#[[2]]
#[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

- thelatemail

---

+1 感谢您提供的额外解决方案。我曾经使用 capture.start 和 capture.length 进行过类似操作。 - hwnd

Answer 5

这不是一个正则表达式的解决方案，也不能真正回答你更重要的问题，但你也可以通过使用两个字符的子字符串，然后去掉不需要的CA元素来获得所需的结果。

x <- 'ACCACCACCAC'
y <- substring(x, 1:(nchar(x)-1), 2:nchar(x))
y[y != "CA"]
# [1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

- Rich Scriven

Answer 6

根据@hwnd的答案（原始答案不允许变长捕获区域），这是一个额外的答案，只使用内置的R函数：

> x <- 'ACCACCACCAC'
> m <- gregexpr('(?=([AC]C))', x, perl=T)[[1]]
> start <- attr(m,"capture.start")
> end <- attr(m,"capture.start") + attr(m,"capture.length") - 1
> sapply(seq_along(m), function(i) substr(x, start[i], end[i]))
[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

“Pretty ugly”，这就是为什么存在着stringr等包的原因。

- Ken Williams