正则表达式提取美国邮政编码，但不提取虚假代码

Question

使用 XML 包和 XPath 从网站上抓取地址，有时我只能得到一个字符串，其中嵌入了我想要的邮政编码。提取邮政编码很简单，但有时还会出现其他五位数的字符串。

以下是 df 中问题的一些变体。

zips <- data.frame(id = seq(1, 5), address = c("Company, 18540 Main Ave., City, ST 12345", "Company 18540 Main Ave. City ST 12345-0000", "Company 18540 Main Ave. City State 12345", "Company, 18540 Main Ave., City, ST 12345 USA", "Company, One Main Ave Suite 18540, City, ST 12345")) 

提取邮政编码（5位和加4位）的R语句如下，但它被门牌号和套房号的虚假邮政编码所欺骗（其他地址字符串中可能存在其他可能性） )。

regmatches(zips$address, gregexpr("\\d{5}([-]?\\d{4})?", zips$address, perl = TRUE))

对上一个 SO 问题的回答建议“正则表达式将返回最后一个连续的五位字符串。它使用负前瞻来确保在返回的字符串之后不存在 5 位字符串。”
Extracting a zip code from an address string

\b\d{5}\b(?!.*\b\d{5}\b)

但是那个问题和答案涉及 PHP，并提供了一个带有 preg_matches()` 的 if 循环我不熟悉那些语言和工具，但这个想法可能是正确的。

我的问题：什么 R 代码会找到真正的邮政编码并忽略虚假相似？

Answer 1

这是我的第一个正则表达式答案（我还在学习），所以希望我没有说错任何话来引导你走错方向。

基本上，正如您在问题中暗示的那样，此正则表达式会查找最后一个看起来像邮政编码的字符串，后面没有看起来像邮政编码的字符串

基本语法是pattern(?!.*pattern)，它表示只有在 anything .* 没有遵循它（否定的前瞻断言，语法：(?! )）时才匹配em>和 pattern

所以我们可以用您感兴趣的内容替换模式：

[0-9]{5}(-[0-9]{4})?

即，正好为 5 个字符 {5} 的数字字符串 [0-9]（可以选择在 ? 后面跟着另一个定义为连字符的组和另一个长度为 4 的数字字符串 (-[0-9]{4})

将它们与gregexpr 一起搜索匹配项和regmatches 为我解释结果，我得到：

zips <- data.frame(id = seq(1, 5), address = c("Company, 18540 Main Ave., City, ST 12345", "Company 18540 Main Ave. City ST 12345-0000", "Company 18540 Main Ave. City State 12345", "Company, 18540 Main Ave., City, ST 12345 USA", "Company, One Main Ave Suite 18540, City, ST 12345")) 
regmatches(zips$address,
           gregexpr('[0-9]{5}(-[0-9]{4})?(?!.*[0-9]{5}(-[0-9]{4})?)', zips$address, perl = TRUE))

# [[1]]
# [1] "12345"
# 
# [[2]]
# [1] "12345-0000"
# 
# [[3]]
# [1] "12345"
# 
# [[4]]
# [1] "12345"
# 
# [[5]]
# [1] "12345"

Answer 2

qdapRegex 包有 rm_zip 函数：

zips <- data.frame(id = seq(1, 5), 
    address = c("Company, 18540 Main Ave., City, ST 12345", 
    "Company 18540 Main Ave. City ST 12345-0000", 
    "Company 18540 Main Ave. City State 12345", 
    "Company, 18540 Main Ave., City, ST 12345 USA", 
    "Company, One Main Ave Suite 18540, City, ST 12345")
)

lapply(rm_zip(zips$address, extract=TRUE), tail, 1)

## [[1]]
## [1] "12345"
## 
## [[2]]
## [1] "12345-0000"
## 
## [[3]]
## [1] "12345"
## 
## [[4]]
## [1] "12345"
## 
## [[5]]
## [1] "12345"

编辑根据@lawyeR 的cmets：

我认为您需要一些比qdapRegex 使用的字典系统更具体的正则表达式。 rm_zip 的当前实现允许验证目的，因此我不会更改它使用的正则表达式以使其更灵活。我也不会更改函数 rm_zip 以拥有额外的参数/参数，因为 qdapRegex 试图拥有一致的操作函数。

话虽如此，您可以使用rm_ 函数创建自己的函数并提供您自己的正则表达式。我已经使用您评论中指定的两个参数完成了此操作：

更复杂的数据集：

zips <- data.frame(id = seq(1, 6), 
    address = c("Company, 18540 Main Ave., City, ST 12345", 
    "Company 18540 Main Ave. City ST 12345-0000", 
    "Company 18540 Main Ave. City State 12345", 
    "Company, 18540 Main Ave., City, ST 12345 USA", 
    "Company, One Main Ave Suite 18540m, City, ST 12345",
    "company 12345678")
)

即使角色跟随 zip 也可以抓取的功能

## paste together a more flexible regular expression    
pat <- pastex(
    "@rm_zip", 
    "(?<!\\d)\\d{5}(?!\\d)",
    "(?<!\\d)\\d{5}-\\d{4}(?!\\d)"
)
## Create your own function that extract is set to TRUE
rm_zip2 <- rm_(pattern=pat, extract=TRUE)
rm_zip2(zips$address)

## [[1]]
## [1] "18540" "12345"
## 
## [[2]]
## [1] "18540"      "12345-0000"
## 
## [[3]]
## [1] "18540" "12345"
## 
## [[4]]
## [1] "18540" "12345"
## 
## [[5]]
## [1] "18540" "12345"
## 
## [[6]]
## [1] NA

仅提取 5 位数拉链的功能

rm_zip3 <- rm_(pattern="(?<!\\d)\\d{5}(?!\\d)", extract=TRUE)
rm_zip3(zips$address)

## [[1]]
## [1] "18540" "12345"
## 
## [[2]]
## [1] "18540" "12345"
## 
## [[3]]
## [1] "18540" "12345"
## 
## [[4]]
## [1] "18540" "12345"
## 
## [[5]]
## [1] "18540" "12345"
## 
## [[6]]
## [1] NA