在R中的正则表达式替换中可以使用量词吗？

Question

我的目标是用一个符号代替一个字符串，并重复该符号与字符串中相同数量的字符，类似于将字母替换为大写字母的\\U\\1。如果我的模式是"...(*)..."，那么我对(*)捕获的内容的替换将类似于x\\q1或{\\q1}x，因此我将得到与*所捕获的字符数量相同的x。

这是否可能？我主要考虑使用sub,gsub方法，但您可以使用其他库，如stringi,stringr等来回答。您可以方便地使用perl = TRUE或perl = FALSE和其他选项。

我假设答案可能是否定的，因为选择似乎很有限（?gsub）。

a replacement for matched pattern in sub and gsub. Coerced to character if possible. For fixed = FALSE this can include backreferences "\1" to "\9" to parenthesized subexpressions of pattern. For perl = TRUE only, it can also contain "\U" or "\L" to convert the rest of the replacement to upper or lower case and "\E" to end case conversion. If a character vector of length 2 or more is supplied, the first element is used with a warning. If NA, all elements in the result corresponding to matches will be set to NA. 

主要的量词符号是(?base::regex)：

?

    The preceding item is optional and will be matched at most once.
*

    The preceding item will be matched zero or more times.
+

    The preceding item will be matched one or more times.
{n}

    The preceding item is matched exactly n times.
{n,}

    The preceding item is matched n or more times.
{n,m}

    The preceding item is matched at least n times, but not more than m times.

好的，但似乎这是一个选项（在PCRE中没有，不确定是否在PERL或其他地方有...）(*)，它捕获了星号量词能够匹配的字符数（我在https://www.rexegg.com/regex-quantifier-capture.html找到了这个选项），因此可以使用\q1（同一参考资料）引用第一个捕获的量词（以及\q2等）。我还阅读到(*)等价于{0,}，但我不确定这对我感兴趣的内容是否真实。

编辑更新：

由于被评论者询问，我通过这个有趣问题提供了一个具体示例。 我稍微修改了一下例子。假设我们有字符串a <- "I hate extra spaces elephant"，因此我们想要保留单词之间唯一的空格，每个单词的前5个字符（直到原始问题为止），但然后是每个其他字符的句点（不确定这是否是原始问题所期望的，但无关紧要），因此结果字符串将是"I hate extra space. eleph..."（对于spaces中的最后一个s和elephant末尾的三个字母ant，分别用一个.和3个.表示）。因此，我首先保留了前5个字符。

gsub("(?<!\\S)(\\S{5})\\S*", "\\1", a, perl = TRUE)
[1] "I hate extra space eleph"

我该如何用点号或其他符号替换\\S*中精确数量的字符？

- iago

---

如果您编辑一下问题，它会更好。我很感激您对此进行了研究，但在回答中引用帮助页面通常比在问题中引用更合适。只需简单地说“我已经在?base::regex中阅读了有关量词的内容，但没有找到有关在替换中使用它们的任何信息”即可。 - Gregor Thomas

@G.Grothendieck 我编辑了我的问题并提出了具体的问题。 - iago

@GregorThomas 感谢您在第一条评论中的回答。我不理解您的第二条评论。我已经更新了我的问题，并提供了一个具体的例子。 - iago

我的第二条评论试图表达的是，你实际的问题从“我的目标...”这一段开始。在到达重点之前大篇幅地复制/粘贴正则表达式帮助页面的内容并没有为你的问题增加有用的信息。相反，它通过掩盖要点使你的问题变得不太容易被人们发现，并且让人们更难将这个问题作为一个有用的资源。 - Gregor Thomas

我建议您编辑您的问题，删除“我的目标...”段落上面的所有内容，而是将其总结为“我希望我可以使用gsub等方法来实现这一点，但在阅读?base::regex中有关量词的信息时，我没有找到有关在替换中使用它们的任何内容。” - Gregor Thomas

Answer 1

量词不能用于替换模式，也不能提供它们匹配多少个字符的信息。

你需要的是一个\G基本 PCRE 模式，以便在字符串中特定位置之后查找连续匹配项：

a <- "I hate extra spaces elephant"
gsub("(?:\\G(?!^)|(?<!\\S)\\S{5})\\K\\S", ".", a, perl = TRUE)

请查看R演示和正则表达式演示。

详情

• (?:\G(?!^)|(?<!\S)\S{5}) - 上一个成功匹配的结尾或五个非空格字符，前面没有非空格字符
• \K - 匹配重置运算符，丢弃到目前为止匹配的文本
• \S - 任何非空白字符。

- Wiktor Stribiżew

Answer 2

gsubfn类似于gsub，不同的是替换字符串可以是一个函数，该函数输入匹配内容并输出替换内容。该函数可以选择作为公式表达，如我们在这里用它来替换每个单词字符组成的字符串，并将其替换为该字符串的函数输出结果。不需要复杂的正则表达式。

library(gsubfn)

gsubfn("\\w+", ~ paste0(substr(x, 1, 5), strrep(".", max(0, nchar(x) - 5))), a)
## [1] "I hate extra space. eleph..."

或者几乎相同，只是函数略有不同：

gsubfn("\\w+", ~ paste0(substr(x, 1, 5), substring(gsub(".", ".", x), 6)), a)
## [1] "I hate extra space. eleph..."

- G. Grothendieck