如何使用 gsub 和正则表达式删除部分文本向量

Question

我有一个列表，其中每个元素都包含一个文本数据向量。 本质上，我希望代码删除正则表达式之后的文本：第二个“。”在各自的向量中。

如果与正则表达式一起使用，我相信 gsub 函数是解决此问题的好方法。我已经尝试使用正则表达式来制定要检测的模式（见下文）。

数据：

v<-c("M. le président. La parole est à M. Emile Vernaudon.",
       "M.Gabriel Xaaperei. Monsieur le ministre",
       "M. Raymond Fornir, rapporteur. La commission") 

代码：

Subbed<-gsub("[^((?<=^M. *))]", "X", v)

代码返回如下：

[1] "M. XX XXXXXXXXX. XX XXXXXX XXX. M. XXXXX XXXXXXXXX."
[2] "M. XXXXXXX XXXXXXXXX. MXXXXXXX XX XXXXXXXXX XXX"    
[3] "M. XXXXXXX XXXXXX XXXXXXXXXX. XX XXXXXXXXXX" 

代码不仅考虑了所有的“M.”，而且在第二行还有一个“M”，尽管它后面没有“.”。 我的预感是，在 gsub 中，正则表达式的工作方式似乎有所不同——“M”。在我的代码中，R 可能会将其读取为“M|”。此外，Lookaround 之后的 ^ 似乎不能用作锚点，而只是用作附加标点符号。

期望的结果如下：

[1] "M. le président."
[2] "M. Gabriel Xaaperei."
[3] "M. Raymond Fornir, rapporteur."

非常感谢任何帮助。

Answer 1

1) sub 匹配字符串开头(^)，然后捕获M。。下一个匹配空格（如果有），然后捕获直到下一个点的所有内容。最后匹配其他所有内容。将其替换为第一个捕获 (\1)、一个空格和第二个捕获 (\2)。

请注意，我们使用sub 而不是gsub，因为每个组件只有一个整体匹配。此外，它会在 M 之后放置一个空格，即使它还没有空格。

sub("^(M\\.) *([^.]+\\.).*", "\\1 \\2", v)

给予：

[1] "M. le président."               "M. Gabriel Xaaperei."          
[3] "M. Raymond Fornir, rapporteur."

2) read.table 此解决方案不使用任何正则表达式。我们使用点分隔字段读取v，然后使用sprintf 将它们组合在一起。

with(read.table(text = v, sep = ".", fill = TRUE, strip.white = TRUE), 
  sprintf("%s. %s.", V1, V2))

给予：

[1] "M. le président."               "M. Gabriel Xaaperei."          
[3] "M. Raymond Fornir, rapporteur."

3) paste/trimws/sub 这使用了几个函数，只有一个比较简单的正则表达式。我们从第 3 个字符开始获取所有内容，将第一个点及其后面的所有内容替换为一个点，修剪空格以防留下任何空格并将 M. 粘贴到开头。

paste("M.", trimws(sub("\\..*", ".", substring(v, 3))))

给予：

[1] "M. le président."               "M. Gabriel Xaaperei."          
[3] "M. Raymond Fornir, rapporteur."

添加

Answer 2

    gsub("^([^.]*.[^.]*).*", "\\1.", v)

[1] "M. le président."               "M.Gabriel Xaaperei."           
[3] "M. Raymond Fornir, rapporteur."

Answer 3

您将正则表达式放在方括号中，R 将其解释为一个组，然后确实将该组中的所有内容视为“OR”。您还在前面加上 ^，这使得 R 将其视为“NOT”，因此它基本上会查找除搜索词中的字符之外的任何内容。 此外，你没有逃脱你的时期。这是应该的正则表达式：

gsub("^(M\\..*?\\.).*","\\1",v)
[1] "M. le président."               "M.Gabriel Xaaperei."           
[3] "M. Raymond Fornir, rapporteur."

这会查找 M.（句点已转义），然后是任何（未转义的 .）未确定次数（*），然后是第二个（转义）句点（? 是以确保它是不贪婪的，所以它不会寻找最后一个时期，而只寻找下一个时期）。

它们会将所有内容返回到那里 (\\1)，并丢弃其余部分。