如何根据R中围绕它们的文本从字符串中提取字符

Question

编辑以突出显示我正在使用的语言我正在使用 R 语言，并且我有许多大型字符串列表，它们具有相似的格式。我对直接在字符串中一致的一系列字符前面的字符感兴趣，但不是在字符串中的一致位置。例如：

a  <- "aabbccddeeff"
b  <- "aabbddff"
c  <- "aabbffgghhii"
d  <- "bbffgghhii"

我有兴趣提取每个字符串中"ff" 前面的两个字符。除了使用grepl() 分解每个字符串然后独立处理它们之外，我找不到任何合理的解决方案，这似乎是一种低效的方法。

Answer 1

您可以匹配这两个字符并使用 sub 和正确的正则表达式捕获它们。

Strings = c("aabbccddeeff",
    "aabbddff",
    "aabbffgghhii",
    "bbffgghhii")
sub(".*(\\w\\w)ff.*", "\\1", Strings)
[1] "ee" "dd" "bb" "bb"

解释，这会将整个字符串替换为“ff”之前的两个字符。如果字符串中有多个“ff”，则此表达式取last“ff”之前的两个字符。

这是如何工作的： sub 的三个参数是：
1. 搜索模式
2. 替换成什么
3. 应用它的字符串。

大部分工作都在模式部分 - .*(\\w\\w)ff.*。模式的 ff 部分必须很明显。我们的目标是特定字符串 ff 附近的东西。在它之前出现的是(\\w\\w)。 \w 指的是“单词字符”。这意味着任何字母 a-z 或 A-Z、任何数字 0-9 或另一个字符 _。我们想要两个字符，所以我们有\\w\\w。通过将\\w\\w 括在括号中，它将这种两个字符的模式转换为一个“捕获组”，一个将保存到变量中以供以后使用的字符串。由于这是该表达式中的第一个（也是唯一一个）捕获组，这两个字符将存储在一个名为 \1 的变量中。现在我们想要只这两个字符，所以为了消除前后的所有内容，我们将.* 放在前面和后面。 . 匹配任何字符，* 表示执行此操作零次或多次，因此 .* 表示任何字符的零个或多个副本。现在我们将字符串分成四个部分：“ff”、“ff”之前的两个字符、之前的所有内容和 ff 之后的所有内容。这涵盖了整个字符串。 sub 会将匹配的部分（所有内容）替换为替换模式中所说的任何内容，在本例中为“\1”。这就是你如何编写一个计算结果为\1 的字符串，这是我们存储我们想要的两个字符的变量的名称。我们这样写是因为反斜杠“转义”了后面的任何内容。我们实际上想要字符 \ 所以我们写 \ 来表示 \ 并且 \1 计算为 \1。所以字符串中的所有内容都被目标的两个字符替换。我们将此应用于字符串列表Strings 中的每个字符串。