R 正则表达式 Lookbehind答案

【问题标题】：R Regular Expression LookbehindR 正则表达式 Lookbehind
【发布时间】：2012-02-08 17:30:55
【问题描述】：

我有一个用以下格式的字符串填充的向量：<year1><year2><id1><id2>

向量的第一个条目如下所示：

199719982001
199719982002
199719982003
199719982003

对于第一个条目，我们有：year1 = 1997, year2 = 1998, id1 = 2, id2 = 001。

我想写一个正则表达式来提取year1、id1和id2的不为零的数字。所以对于第一个条目，正则表达式应该输出：199721。

我已尝试使用 stringr 包执行此操作，并创建了以下正则表达式：

"^\\d{4}|\\d{1}(?<=\\d{3}$)"

要提取 year1 和 id1，但是当使用后向显示时，我得到一个“无效的正则表达式”错误。这让我有点不解，R不能处理前瞻和后瞻吗？

【问题讨论】：

查看帮助页面regex。 perl=TRUE 支持 Lookbehind。所以regexp("^\\d{4}|\\d{1}(?<=\\d{3}$)",s) 不会抛出错误，而是不会选择你想要的。
感谢您的提示！我知道正则表达式不会捕获所有内容，我只是在尝试一下 - 当我不断收到“无效的正则表达式”消息时被踩住了。
在 gsubfn 中使用 strapply 时，此正则表达式有效，不需要前瞻或后瞻：L <- c("199719982001", "199719982002", "199719982003", "199719982003"); library(gsubfn); strapply(L, "^(....)....(.)0*(.*)", c, simplify = TRUE)

标签： regex r package text-mining

【解决方案1】：

您需要使用base 包中的gregexpr。这有效：

> s <- "199719982001"
> gregexpr("^\\d{4}|\\d{1}(?<=\\d{3}$)",s,perl=TRUE)
[[1]]
[1]  1 12
attr(,"match.length")
[1] 4 1
attr(,"useBytes")
[1] TRUE

注意perl=TRUE 设置。有关更多详细信息，请查看?regex。

从输出来看，你的正则表达式并没有捕捉到id1。

【讨论】：

【解决方案2】：

既然这是固定格式，为什么不使用 substr 呢？ year1 是使用 substr(s,1,4) 提取的，id1 是使用 substr(s,9,9) 提取的，id2 是 as.numeric(substr(s,10,13))。在最后一种情况下，我使用as.numeric 去除零。

【讨论】：

感谢 mpiktas，应该想到这一点。然而，我仍然很好奇为什么后视不起作用......

【解决方案3】：

你可以使用子。

sub("^(.{4}).{4}(.{1}).*([1-9]{1,3})$","\\1\\2\\3",s)

【讨论】：