r grep by regex - 查找包含恰好一盎司子字符串的字符串

Question

我在 Ubuntu 中使用 R，并尝试查看文件列表，其中一些我需要，一些我不需要，

我试图通过在其中找到一个子字符串来获得我需要的那个，它需要只出现一次，

我正在使用函数 grep，我在这里找到了 grep function in r

并使用我在这里找到的正则表达式规则regex rules

当举个简单的例子时

a <- c("a","aa") 
grep("a{1}", a) 

我希望只得到一次恰好包含“a”的字符串，而不是我得到它们。

当我使用 2 而不是 1 时，我确实得到了一个字符串（包含“aa”的那个）的想要结果

我不能使用 $ 因为这不是我需要的单词的结尾，例如我需要使用这两个单词“germ-pass.tab”、“germ-pass_germ-pass.tab”并且只返回第一个包含“germ-pass”的第一个，并且只返回一次

我不能使用^a，因为我不需要诸如“aca”之类的词

谢谢。

Answer 1

正如我在 cmets 中所说，grep 在您的字符串中寻找一个模式，并且在“aa”中确实存在“a”（或“a{1}”，这与 grep 相同）。您需要添加到“a”后面不是 a 的模式："a[^a]":

grep("a[^a]", c("aa", "ab"), value=TRUE)
#[1] "ab"

编辑

考虑到您的具体问题，您似乎可以尝试“相反”：使用模式的“捕获”过滤掉包含多次出现该模式的字符串：

!grepl("(ab).+\\1", c("ab.t", "ab-ab.t"))
#[1]  TRUE FALSE

!grepl("(ab).*\\1", c("ab", "ab-ab","ab-cc-ab", "abab"))
#[1]  TRUE FALSE FALSE FALSE

方括号允许捕获模式（此处为ab，但它可以是任何正则表达式），.* 用于“任何”零​​次或多次，\\1 要求重复捕获的模式

Answer 2

检测带有a 但不是aa 的字符串

您可以使用以下 TRE 正则表达式：

^[^a]*a[^a]*$

它匹配字符串的开头 (^)、除a 之外的 0+ 个字符 ([^a]*)、a、再次匹配 0+ 非'a's 和字符串结尾 (@987654332 @)。看到这个IDEONE demo：

a <- c("aca","cac","a", "abab", "ab-ab", "ab-cc-ab")
grep("^[^a]*a[^a]*$", a, value=TRUE)
## => [1] "cac" "a"

查找包含a 但不包含aa 的整个单词

如果您需要匹配单词，在任何位置只有一个a，而不是两个或更多as。

使用这个 PCRE 正则表达式：

\b(?!\w*a\w*a)\w*a\w*\b

见this regex demo。

解释：

• \b - 字边界
• (?!\w*a\w*a) - 如果在单词边界之后有 0+ 个单词字符、a、0+ 个单词字符和 a，则匹配失败
• \w* - 0+ 个单词字符
• a - 一个a
• \w* - 0+ 个单词字符
• \b - 词尾边界。

注意：由于\w 匹配字母、数字和下划线，您可能需要将其更改为\p{L} 或[^\W\d_]（仅匹配字母）。

见this demo:

a <- c("aca","cac","a")
grep("\\b(?!\\w*a\\w*a)\\w*a\\w*\\b", a, perl=TRUE, value=TRUE)
## => [1] "cac" "a"  

Answer 3

看起来您正在寻找带有一个 a 的字符串，而不管字符串中的哪个位置。虽然stringi 可以完成任务，但基本解决方案是：

s <- c("a", "aa", "aca", "", "b", "ba", "ab")

m <- gregexpr("a", s)
s[lengths(regmatches(s, m)) == 1]

[1] "a"  "ba" "ab"

或者，一种 regex-lite 方法：

s[vapply(strsplit(s, ""), function(x) sum(x == "a") == 1, logical(1))]
[1] "a"  "ba" "ab"

Answer 4

我们可以使用stringi::stri_count:

library(stringi)
library(purrr)

# simulate some data
set.seed(1492)
(map_chr(1:10, function(i) {
  paste0(sample(letters, sample(10:30), replace=TRUE), collapse="")
}) -> strings)

## [1] "jdpcypoizdzvfzs"               "gyvcljnfmrzmdmkufq"           
## [3] "xqwrmnklbixnccwyaiadrsxn"      "bwbenawcwvdevmjfvs"           
## [5] "ytzwnpkuromfbklfsdnbwwnlrw"    "wclxpzftqgwxyetpsuslgohcdenuj"
## [7] "czkhanefss"                    "mxsrqrackxvimcxqcqsditrou"    
## [9] "ysqshvzjjmwes"                 "yzawyoqxqxiasensorlenafcbk" 

# How many "w"s in each string?
stri_count_regex(strings, "w{1}")

## [1] 0 0 2 3 4 2 0 0 1 1

Answer 5

我们可以尝试使用^ 和$ 来确保字符串中只有一个'a'

grep("^a$", a)
#[1] 1

不清楚 OP 想要什么。

Answer 6

在 base 中，当您使用 gsub 删除子字符串并测试剩余字符串长度是否为等于搜索到的子字符串：

s <- c("a", "aa", "aca", "", "b", "ba", "ab", "cac", "abab", "ab-ab", NA)
ss  <- "a" #Substring to find exactly once

nchar(s) - nchar(gsub(ss, "", s)) == nchar(ss)
#[1]  TRUE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE    NA

或者你计算gregexpr的点击次数

sapply(gregexpr(ss, s), function(x) sum(x>0)) == 1
# [1]  TRUE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE    NA

或者正如@sebastian-c 已经提到的那样

lengths(regmatches(s, gregexpr(ss, s))) == 1
# [1]  TRUE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE

或者用两个grepl 一个询问子字符串是否存在一次，如果它存在两次：

!grepl("(.*a){2}", s) & grepl("a", s)
# [1]  TRUE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE

或在一个正则表达式中解释的相同，其中(?!(.*a){2}) 是非消耗性（零宽度）负前瞻

grepl("^(?!(.*a){2}).*a.*$", s, perl=TRUE)
# [1]  TRUE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE

或者更一般的，如果你想改变它来准确地找到子字符串 n 次

!grepl("(.*a){2}", s) & grepl("(.*a){1}", s)
# [1]  TRUE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE

grepl("^(?!(.*a){2})(.*a){1}.*$", s, perl=TRUE)
# [1]  TRUE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE

如果您只寻找一个字符，您可以使用解决方案表单@wiktor-stribiżew

grepl("^[^a]*a[^a]*$", s)
# [1]  TRUE FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE