字符串中条件模式的正则表达式

Question

我需要从一些字符串中提取子字符串，例如： 我的数据是一个向量：c("Shigella dysenteriae","PREDICTED: Ceratitis")

a = "Shigella dysenteriae"

b = "PREDICTED: Ceratitis"

我希望如果字符串以“PREDICTED:”开头，可以提取到后面的单词（可能是“Ceratitis”），如果字符串不以“PREDICTED”开头，可以提取到后面的词第一个词（也许是志贺氏菌）；

在本例中，结果为：

result_of_a = "Shigella"

result_of_b = "Ceratitis"

嗯，这是一个典型的条件正则表达式。我试过了，但总是失败；

我使用了R，它可以兼容perl的正则表达式。

我知道 R 支持 perl 的正则表达式，所以我尝试使用 regexpr 和 regmatches 这两个函数来提取我想要的子字符串。

代码是：

pattern = "(?<=PREDICTED:)?(?(1)(\\s+\\w+\\b)|(\\w+\\b))"

a = c("Shigella dysenteriae")
m_a = regexpr(pattern,a,perl = TRUE)
result_a = regmatches(a,m_a)

b = c("PREDICTED: Ceratitis")
m_b = regexpr(pattern,a,perl = TRUE)
result_b = regmatches(b,m_b)

最后，结果是：

# result_a = "Shigella"
# result_b = "PREDICTED"

不是我期望的结果，result_a是对的，result_b是错的。

WHY???看来条件不行……

PS： 我试图阅读条件正则表达式的一些细节。这是我尝试阅读的网页：https://www.regular-expressions.info/conditional.html 并尝试从该网页模仿“模式”，并尝试使用“RegexBuddy”软件查找原因。

Answer 1

我认为它不起作用的原因是因为(1)checks if a numbered capture group has been set 但是还没有第一个捕获组集，也没有在(?<=PREDICTED:)? 的积极后视中。

在后面的部分中有第一个和第二个捕获组。 if 子句将检查组 1，它未设置，因此它将匹配组 2。

如果您将其设为唯一的捕获组 (?<=(PREDICTED: )?) 并省略其他 2 个，则 if 子句将为真，但您将收到错误，因为后向断言不是 fixed length。

您可以使用捕获组并将PREDICTED: 设为可选，而不是使用条件模式来获取这两个词：

^(?:PREDICTED: )?(\w+)

Regex demo | R demo

Answer 2

编辑： 要在向量上使用以下函数，可以执行以下操作： 向量：myvec<-c("Shigella dysenteriae","PREDICTED: Ceratitis")

lapply(myvec,extractor)
[[1]]
[1] "Shigella"

[[2]]
[1] "Ceratitis"

或者：

unlist(lapply(myvec,extractor))
[1] "Shigella"  "Ceratitis"

这假定字符串始终采用上述格式：

extractor<- function(string){
if(grepl("^PREDICTED",string)){
  strsplit(string,": ")[[1]][2]
}
  else{
    strsplit(string," ")[[1]][1]
  }

}
 extractor(b)
 #[1] "Ceratitis"
 extractor(a)
 #[1] "Shigella"

Answer 3

如果我理解正确，OP想要提取

• 如果字符串以“PREDICTED:”开头，则在“PREDICTED:”之后的第一个单词
• 字符串的第一个单词，如果字符串不以“PREDICTED:”开头。

所以，如果没有具体要求只使用 一个 正则表达式，我会这样做：

1. 删除任何前导“PREDICTED:”（如果有）
2. 从中间结果中提取第一个单词。

对于使用正则表达式，我更喜欢使用 Hadley Wickham 的 stringr 包：

inp <- c("Shigella dysenteriae", "PREDICTED: Ceratitis")

library(magrittr) # piping used to improve readability
inp %>% 
  stringr::str_replace("^PREDICTED:\\s*", "") %>% 
  stringr::str_extract("^\\w+")

 [1] "Shigella"  "Ceratitis"

为了安全起见，我会事先删除所有前导空格：

inp %>% 
  stringr::str_trim() %>% 
  stringr::str_replace("^PREDICTED:\\s*", "") %>% 
  stringr::str_extract("^\\w+")