用于替换列表分隔符和字符串结尾的可变长度负后视

Question

我希望在一串分隔值（包括最后一个值）中缺少索引的值之后插入索引。

s <- "Dee, DP(Dee, D. P.)[1];Uppala, SM(Uppala, S. M.);Simmons, AJ(Simmons, A. J.);Kobayashi, S(Kobayashi, S.)[2];Andrae, U(Andrae, U.)"
gsub("(?<!\\[\\d\\])(;|$)", "\\[0\\]\\2", s, perl=TRUE)

这段代码让我缺少分隔符：

"Dee, DP(Dee, D. P.)[1];Uppala, SM(Uppala, S. M.)[0]Simmons, AJ(Simmons, A. J.)[0]Kobayashi, S(Kobayashi, S.)[2];Andrae, U(Andrae, U.)[0]"

代码类似地处理最后一个值已经有索引的情况：

s <- "Dee, DP(Dee, D. P.)[1];Uppala, SM(Uppala, S. M.);Simmons, AJ(Simmons, A. J.);Kobayashi, S(Kobayashi, S.)[2];Andrae, U(Andrae, U.)[3]"

这次给予（仍然缺少分隔符）：

"Dee, DP(Dee, D. P.)[1];Uppala, SM(Uppala, S. M.)[0]Simmons, AJ(Simmons, A. J.)[0]Kobayashi, S(Kobayashi, S.)[2];Andrae, U(Andrae, U.)[3]"

我需要找回丢失的分隔符，例如第一种情况：

"Dee, DP(Dee, D. P.)[1];Uppala, SM(Uppala, S. M.)[0];Simmons, AJ(Simmons, A. J.)[0];Kobayashi, S(Kobayashi, S.)[2];Andrae, U(Andrae, U.)[0]"

此外，我还希望代码能够处理多于一位的索引，即 10、100 等（可变长度），例如：

s <- "Dee, DP(Dee, D. P.)[10];Uppala, SM(Uppala, S. M.);Simmons, AJ(Simmons, A. J.);Kobayashi, S(Kobayashi, S.)[2];Andrae, U(Andrae, U.)"

或

s <- "Dee, DP(Dee, D. P.)[10];Uppala, SM(Uppala, S. M.);Simmons, AJ(Simmons, A. J.);Kobayashi, S(Kobayashi, S.)[2];Andrae, U(Andrae, U.)[3]"

Answer 1

在您的替换模式中，\2 指的是不存在的组 #2。 (?<!...) 是一个否定的lookbehind，与捕获组不同，它不会强制正则表达式引擎为其匹配的值分配任何特殊的内存缓冲区。

您必须使用\1，而不是\2。

要解决后视中的可变宽度模式，您可以使用带有 SKIP-FAIL 动词的 PCRE 模式的两步法：

s <- gsub("\\[\\d+];(*SKIP)(*F)|(;)", "[0]\\1", s, perl=TRUE)
sub("(?s)^(?!.*\\[\\d+]$)(.*)", "\\1[0]", s, perl=TRUE)

见regex demo #1/regex demo #2和R demo online

模式 #1 详细信息

• \[\d+];(*SKIP)(*F) - [，1+ 位，]，然后是 ;； (*SKIP)(*F) 从整个匹配内存缓冲区中丢弃此匹配文本，并继续从失败的位置搜索正则表达式模式
• | - 或
• (;) - 第 1 组（替换模式中的 \1）：; 字符。

模式#2

• (?s) - 转换 dotall 模式，以便 . 可以匹配 TRE 正则表达式中的任何字符（由 sub 使用而没有 perl=TRUE）
• ^ - 字符串开头
• (?!.*\[\d+]$) - 负前瞻，确保字符串末尾没有 [、1+ 位和 ]
• (.*) - 所有字符串都被捕获在第 1 组中。

或者，如果您可以使用 stringr 并且您知道位数小于某个值，例如 100，您可以利用此 constrained-width lookbehind ICU 库功能：

stringr::str_replace_all(s, "(?<!\\[\\d{1,100}])(;|$)", "[0]\\1")

这里，(?<!\[\d{1,100}]) 匹配字符串中的位置，该位置不是紧跟在 [ 前面的位置，1 到 100 位数字，然后是 ]。