在R中将pcre REGEX转换为ICU REGEX

Question

您好，我想了解如何将 PCRE REGEX 转换为 ICU REGEX，以便与 R 函数 str_match_all（stringr 包的一部分）一起使用。

@Wiktor Stribiżew 能够生成 REGEX PCRE 解析，如这些 REGEX101 演示中所示：

https://regex101.com/r/m4UD0j/17

这会解析捕获 aa 和 bb 组合（每个都以任何长度的任何数字开头）然后 cc 组（类似地以数字开头）例如10aa5bb6bb3bb6aa999cc998cc997cc

因此将字符串视为两部分：

第一个是 aa 或 bb 组合的随机集合（尽管这可能只是全部 aa，例如），前面有一个数字。

后半部分是一系列 cc（尽管这可能只是一个 cc，例如），前面有一个数字。

重要的是要同时捕获字符串的“两侧”，并且专门捕获文本和数字。所以有效的捕获是，例如：

2aa2cc
323233aa21212bb4555cc
1aa2aa3aa4aa5aa6aa117cc8cc
1bb2bb3bb4bb5bb6bb117cc8cc
1aa2bb3bb4aa5bb6bba117cc8cc
1aa2bb3bb4aa5bb6bba117cc8ccXXXXXXXXXX1aa2bb3bb4aa5bb6bba117cc8cc

无效：

2aa *Only one side of the string is there*
1aa2bb3bb4aa *Only one side of the string is there*
99cc100cc *Only one side of the string is there*

另外，我想要一个单独的 REGEX 表达式，用于“cc”组在字符串中排在第一位的情况，例如999cc998cc997cc10aa5bb6bb3bb6aa。这在此处进行了演示：https://regex101.com/r/m4UD0j/18

注意：文本模式 aa、bb 和 cc 实际上是较长字符串的缩写，因此应该这样对待。我提供了较短的版本以避免更混乱的示例。

这两个演示展示了不同组合顺序的正则表达式。

现在我必须使用 str_match_all 在 R 中运行它，不幸的是它使用了 ICU 正则表达式，而不是我们在 REGEX101 中测试的 pcre 正则表达式。

所以我有这段代码，它抛出了一个 使用尚未实现的正则表达式功能。 (U_REGEX_UNIMPLEMENTED) 错误：

#REGEX TEST#
library(stringr)

regex_text_1 <- "8aa9aa10bb1cc2cc3cc"
#reg_pattern_1 that worked in REGEX101 <- "(?:\G(?!^)(?(?=\d+(?:aa|bb))(?<!\dcc))|(?=(?:\d+(?:aa|bb))+(?:\d+cc)+))(\d+)(aa|bb|cc)"
reg_pattern_1 <- "(?:\\G(?!^)(?(?=\\d+(?:aa|bb))(?<!\\dcc))|(?=(?:\\d+(?:aa|bb))+(?:\\d+cc)+))(\\d+)(aa|bb|cc)"

regex_text_2 <- "1cc2cc3cc8aa9bb10bb"
#reg_pattern_2 that worked in REGEX101 <- "(?:\G(?!^)(?(?=\d+cc)(?<!\d(?:aa|bb)))|(?=(?:\d+cc)+(?:\d+(?:aa|bb))+))(\d+)(aa|bb|cc)"
reg_pattern_2 <- "(?:\\G(?!^)(?(?=\\d+cc)(?<!\\d(?:aa|bb)))|(?=(?:\\d+cc)+(?:\\d+(?:aa|bb))+))(\\d+)(aa|bb|cc)"

sm <- str_match_all(regex_text_1, reg_pattern_1)
sm.df <- as.data.frame(sm)
print(sm.df)

sm <- str_match_all(regex_text_2, reg_pattern_2)
sm.df <- as.data.frame(sm)
print(sm.df)

我实际上希望它输出如下内容：

    X1 X2 X3
1  8aa  8 aa
2  9aa  9 aa
3 10bb 10 bb
4 1cc  1 cc
5 2cc  2 cc
6 3cc  3 cc

和

    X1 X2 X3
1 1cc  1 cc
2 2cc  2 cc
3 3cc  3 cc
4  8aa  8 aa
5  9aa  9 aa
6 10bb 10 bb

...就像我们在 pcre 中应用它一样。

我不够专业，无法将代码从 pcre 转换为 icu，因此非常感谢一些帮助。非常感谢...

Answer 1

data.frame(do.call(rbind,regmatches(a<-strsplit(regex_text_1,'(?<=[a-z])(?=[0-9])',perl = T)[[1]],regexec('(\\d)(\\D+)',a))))
   X1 X2 X3
1 8aa  8 aa
2 9aa  9 aa
3 0bb  0 bb
4 1cc  1 cc
5 2cc  2 cc
6 3cc  3 cc

或在许多步骤中：

a = strsplit(regex_text_1, '(?<=[a-z])(?=[0-9])', perl = TRUE)[[1]]
b = regmatches(a, regexec('(\\d)(\\D+)', a))
data.frame(do.call(rbind, b))
   X1 X2 X3
1 8aa  8 aa
2 9aa  9 aa
3 0bb  0 bb
4 1cc  1 cc
5 2cc  2 cc
6 3cc  3 cc

您可以对regex_text_2 执行相同的操作。如果你有很多：

 ff = function(x)data.frame(do.call(rbind,regmatches(a<-strsplit(x,'(?<=[a-z])(?=[0-9])',perl = T)[[1]],regexec('(\\d)(\\D+)',a))))

 ff(regex_text_1)
   X1 X2 X3
1 8aa  8 aa
2 9aa  9 aa
3 0bb  0 bb
4 1cc  1 cc
5 2cc  2 cc
6 3cc  3 cc
ff(regex_text_2)
   X1 X2 X3
1 1cc  1 cc
2 2cc  2 cc
3 3cc  3 cc
4 8aa  8 aa
5 9bb  9 bb
6 0bb  0 bb

您也可以使用gsub 并执行以下操作：

transform(read.table(text=gsub('(\\d+)(\\D+)','\\1 \\2\n',regex_text_1)),v3=paste0(V1,V2))
  V1 V2   v3
1  8 aa  8aa
2  9 aa  9aa
3 10 bb 10bb
4  1 cc  1cc
5  2 cc  2cc
6  3 cc  3cc

Answer 2

好的，所以这不会转换为 ICU，但会更好。它是 STR_MATCH_ALL 的 Perl 版本。效果很好。

感谢建造它的人。它来自这里：

str_match_all_perl

### Parse several occurances of pattern from each of several strings
### using (named) capturing regular expressions, returning a list of
### matrices (with column names).
str_match_all_perl <- function(string,pattern){
  stopifnot(is.character(string))
  stopifnot(is.character(pattern))
  stopifnot(length(pattern)==1)
  parsed <- gregexpr(pattern,string,perl=TRUE)
  lapply(seq_along(parsed),function(i){
    r <- parsed[[i]]
    starts <- attr(r,"capture.start")
    if(r[1]==-1)return(matrix(nrow=0,ncol=1+ncol(starts)))
    names <- attr(r,"capture.names")
    lengths <- attr(r,"capture.length")
    full <- substring(string[i],r,r+attr(r,"match.length")-1)
    subs <- substring(string[i],starts,starts+lengths-1)
    m <- matrix(c(full,subs),ncol=length(names)+1)
    colnames(m) <- c("",names)
    m
  })
}