如果它被“引用”，我如何拆分字符串并忽略分隔符

Question

假设我有以下字符串：

params <- "var1 /* first, variable */, var2, var3 /* third, variable */"

我想使用, 作为分隔符来拆分它，然后提取“引用的子字符串”，所以我得到了 2 个向量，如下所示：

params_clean <- c("var1","var2","var3")
params_def   <- c("first, variable","","third, variable") # note the empty string as a second element.

我在广义上使用术语“引用”，带有任意字符串，这里是/* 和*/，它们可以保护子字符串不被拆分。

我发现了一个基于read.table 的解决方法，并且它允许引用元素：

library(magrittr)
params %>%
  gsub("/\\*","_temp_sep_ '",.) %>%
  gsub("\\*/","'",.) %>%
  read.table(text=.,strin=F,sep=",") %>%
  unlist %>%
  unname %>%
  strsplit("_temp_sep_") %>%
  lapply(trimws) %>%
  lapply(`length<-`,2) %>%
  do.call(rbind,.) %>%
  inset(is.na(.),value="")

但它非常丑陋和hackish，有什么更简单的方法？我想在这种情况下必须有一个regex 来提供给strsplit。

与this question相关

Answer 1

您可以将它包装在一个函数中并使用（没有很好的文档记录的）(*SKIP)(*FAIL) 机制在普通的R：

getparams <- function(params) {
  tmp <- unlist(strsplit(params, "/\\*.*?\\*/(*SKIP)(*FAIL)|,", perl = TRUE))

  params_clean <- vector(length = length(tmp))
  params_def <- vector(length = length(tmp))

  for (i in seq_along(tmp)) {
    # get params_def if available
    match <- regmatches(tmp[i], regexec("/\\*(.*?)\\*/", tmp[i]))
    params_def[i] <- ifelse(identical(match[[1]], character(0)), "", trimws(match[[1]][2]))

    # params_clean
    params_clean[i] <- trimws(gsub("/(.*)\\*.*?\\*/", "\\1", tmp[i]))
  }

  return(list(params_clean = params_clean, params_def = params_def))
}

params <- "var1 /* first, variable */, var2, var3 /* third, variable */"
getparams(params)

这会使用(*SKIP)(*FAIL)（参见a demo on regex101.com）拆分初始字符串，然后分析各个部分。

---

这会产生一个列表：

$params_clean
[1] "var1" "var2" "var3"

$params_def
[1] "first, variable" ""                "third, variable"

---

或者，使用sapply 更短：

getparams <- function(params) {
  tmp <- unlist(strsplit(params, "/\\*.*?\\*/(*SKIP)(*FAIL)|,", perl = TRUE))
  (p <- sapply(tmp, function(x) {
    match <- regmatches(x, regexec("/\\*(.*?)\\*/", x))
    def <- ifelse(identical(match[[1]], character(0)), "", trimws(match[[1]][2]))
    clean <- trimws(gsub("/(.*)\\*.*?\\*/", "\\1", x))
    c(clean, def)
  }, USE.NAMES = F))
}

这将产生一个矩阵：

     [,1]              [,2]   [,3]             
[1,] "var1"            "var2" "var3"           
[2,] "first, variable" ""     "third, variable"

使用后者，您可以获得变量名称，例如result[1,].

Answer 2

你来了

library(stringr)
params <- "var1 /* first, variable */, var2, var3 /* third, variable */"
# Split by , which are not enclosed in your /*...*/ 
params_split <- str_split(params, ",(?=[^(/[*])]*(/[*]))")[[1]]
# Extract matches of /*...*/, only taking the contents
params_def <- str_match(params_split, "/[*] *(.*?) *[*]/")[,2]
params_def[is.na(params_def)] <- ""
# Remove traces of /*...*/
params_clean <- trimws(gsub("/[*] *(.*?) *[*]/", "", params_split))

Answer 3

你可以使用

library(stringr)
cmnt_rx <- "(\\w+)\\s*(/\\*[^*]*\\*+(?:[^/*][^*]*\\*+)*/)?"
res <- str_match_all(params, cmnt_rx)
params_clean <- res[[1]][,2]
params_clean
## => [1] "var1" "var2" "var3"
params_def <- gsub("^/[*]\\s*|\\s*[*]/$", "", res[[1]][,3])
params_def[is.na(params_def)] <- ""
params_def
## => [1] "first, variable" ""                "third, variable"

主要的正则表达式细节（实际上是(\w+)\s*)(COMMENTS_REGEX)?）：

• (\w+) - 捕获组 1：一个或多个单词字符
• \s* - 0+ 个空白字符
• ( - 捕获组 2 开始
• /\* - 匹配评论开始/*
• [^*]*\*+ - 匹配除 * 之外的 0+ 个字符，后跟 1+ 个文字 *
• (?:[^/*][^*]*\*+)* - 0+ 个序列：
  • [^/*][^*]*\*+ - 不是 / 或 *（与 [^/*] 匹配）后跟 0+ 个非星号字符 ([^*]*) 后跟 1+ 个星号 (\*+)
• / - 关闭/
• )? - 捕获组 2 结束，重复 1 或 0 次（这意味着它是可选的）。

请参阅regex demo。

gsub 中的 "^/[*]\\s*|\\s*[*]/$" 模式删除了 /* 和 */ 以及相邻的空格。

params_def[is.na(params_def)] <- "" 部分将NA 替换为空字符串。