R中的正则表达式：从字符串中提取单词

Question

我猜这是一个常见的问题，我找到了很多网页，包括一些来自SO的网页，但我无法理解如何实现它。

我对正则表达式不熟悉，并且我想在R中使用它从句子中提取前几个单词。

例如，如果我的句子是：

z = "I love stack overflow it is such a cool site"

我想将我的输出设置为（如果我需要前四个单词）

[1] "I love stack overflow"

或者（如果我需要最后四个单词）

[1] "such a cool site"

当然，以下的作品。

paste(strsplit(z," ")[[1]][1:4],collapse=" ")
paste(strsplit(z," ")[[1]][7:10],collapse=" ")

但是我想尝试正则表达式的解决方案来解决性能问题，因为我需要处理非常大的文件（也为了了解它）。

我查看了几个链接，包括从字符串中提取前三个单词的正则表达式和http://osherove.com/blog/2005/1/7/using-regex-to-return-the-first-n-words-in-a-string.html 所以我尝试了一些东西。

gsub("^((?:\S+\s+){2}\S+).*",z,perl=TRUE)
Error: '\S' is an unrecognized escape in character string starting ""^((?:\S"

我试过其他方法，但通常会返回整个字符串或空字符串。

substr 的另一个问题是它返回一个列表。也许在处理大文件并执行应用程序时，使用 [[]] 运算符会使事情变慢。

看起来 R 中使用的语法有些不同？ 谢谢！

- Fagui Curtain

---

在 R 正则表达式中，您需要使用双重转义。\S -> \\S - Wiktor Stribiżew

您还可以尝试使用stringi::stri_extract_all_words(z)[[1]][1:4]，这更容易使用，不需要了解正则表达式。但是您将获得单独的单词值。 - David Arenburg

你能不能使用我之前在这个问题中提到的相同的想法呢？（http://stackoverflow.com/questions/33785594/manipulate-char-vectors-inside-a-data-table-object-in-r）如@sribizhev所指出的那样，你只需要在R中加倍斜杠即可。 - A5C1D2H2I1M1N2O1R2T1

是的@Ananda Mahto，抱歉我学习比较慢，现在我明白我需要双反斜杠。 - Fagui Curtain

Answer 1

你已经接受了一个答案，但我想分享一些关于R中正则表达式的知识，帮助你更好地理解，因为你已经非常接近正确答案了。

---

你的gsub方法有两个问题：

1. 你使用了单个反斜杠(\)。在R中，你需要对它们进行转义，因为它们是特殊字符。你可以通过添加另一个反斜杠(\\)来转义它们。如果你执行nchar("\\")，你会发现它返回"1"。

2. 你没有指定要替换为什么内容。在这里，我们不想替换任何内容，而是想捕获字符串的特定部分。你可以用圆括号(...)来捕获组，然后可以按组的编号引用它们。在这里，我们只有一个组，所以我们将其称为"\\1"。

你应该尝试类似以下的代码：

sub("^((?:\\S+\\s+){2}\\S+).*", "\\1", z, perl = TRUE)
# [1] "I love stack"

这基本上是在说：

• 从“z”的内容开始工作。
• 开始创建第一组。
• 查找非空白字符（例如单词）后跟两次空格符（\S+\s+），然后是下一组非空白字符（\S+）。这将使我们得到3个单词，同时不会获取第三个单词后的空格符。因此，如果您想要不同数量的单词，请将{2}更改为比实际所需数量少1。
• 在那里结束第一组。
• 然后，只需从“z”返回第一组的内容（\1）。

---

要获取最后三个单词，只需交换捕获组的位置，并将其放置在匹配模式的末尾。

sub("^.*\\s+((?:\\S+\\s+){2}\\S+)$", "\\1", z, perl = TRUE)
# [1] "a cool site"

- A5C1D2H2I1M1N2O1R2T1

---

谢谢。@Ananda Mahto。您能否使用相同的函数“sub”给出最后4个单词的正则表达式？ - Fagui Curtain

@FaguiCurtain，我刚刚将引用从固定在行首改为了放在行尾，像这样：^.*((?:\\S+\\s+){2}\\S+)$。将“2”改为“3”，就可以得到4个单词而不是3个。 - A5C1D2H2I1M1N2O1R2T1

Answer 2

获取前四个单词。

library(stringr)
str_extract(x, "^\\s*(?:\\S+\\s+){3}\\S+")

获取最后四个。

str_extract(x, "(?:\\S+\\s+){3}\\S+(?=\\s*$)")

- Avinash Raj

---

或者 sub("^\\s*((?:\\S+\\s+){3}\\S+).*", "\\1", x) - Avinash Raj

你能给我使用函数sub的正确正则表达式吗？我在10,000个样本上进行了测试，发现基于R语言的sub函数比来自library(stringr)的str_extract函数快30倍。谢谢。 - Fagui Curtain

我很蠢但不知道如何调整这个函数。sub("(?:\\S+\\s+){3}\\S+(?=\\s*$)",replacement="",z,perl=TRUE) 返回的是 "我喜欢堆栈溢出"，它返回了除了最后四个单词以外的所有东西... - Fagui Curtain

sub('^.* (\\w+\\s+\\w+\\s+\\w+\\s+\\w+)$', '\\1', z) 对于最后5个字符串有效，但我不明白如何使用 {...} 来使表达式更简单。 - Fagui Curtain

返回翻译文本: sub('^.* (\\w+(?:\\s+\\w+){4})$', '\\1', z) - Avinash Raj