正则表达式组 Backref 不匹配值答案

【问题标题】：Regex Group Backref non-matching value正则表达式组 Backref 不匹配值
【发布时间】：2019-07-18 09:48:35
【问题描述】：

我正在执行一项常见任务，即尝试从格式不一致的字符串条目中获取日期，这些字符串中的数字看起来很像日期。大多数日期中存在的一个重要的格式一致性是数字之间的分隔符是一致的。

library(stringr)
library(dplyr)

dat1 = c("01-25-2019", "15 01 2018", "01.16.2018", "01.24 2018", "01.22 19 PSI", "10.19 PSI", "01.01.01")

dat1 %>% str_extract("[0-9]{1,4}([- /\\.])[0-9]{1,4}(\\1[0-9]{1,4}|)")
# [1] "01-25-2019" "15 01 2018" "01.16.2018" "01.24"      "01.22"      "10.19"      "01.01.01"

反向引用似乎可以有效地与分隔符强加一致性。我还想做的是对不匹配进行反向引用，这样如果一年在一个位置匹配，201[5-9]" it cannot be matched in another location. Likewise with month or day. At times I would also need to allow the year to be implied by context. That is what the last group(...|)` 正在做。

以下是我使用^ 作为匹配无效符的尝试。

dat1 %>% str_extract("([0-3][0-9]|[0-3][0-9]|(201[5-9]|1[5-9]))([ /\\.])(^\\1)(\\3(^\\1)|)")

# [1] NA         NA         NA         NA         NA         NA         NA

【问题讨论】：

我认为更好的方法是列出您接受的格式列表，然后过滤您的原始数据。
你认为(^\\1)(\\3(^\\1)|) 是做什么的？插入符号匹配字符串的开头，您希望您的模式如何工作？
:) 我没想到会工作。我的意思更多是作为我的理论代码可能做的一个例子。

标签： r regex backreference

【解决方案1】：

我不确定在这种情况下是否使用反向引用，但如果格式并不总是一致，使用前瞻可能有意义。使用您的数据 + "01.22.19 PSI" 和 "01.24 2018 19 PSI" 作为额外的测试用例：

dat1 = c("01-25-2019", "15 01 2018", "01.16.2018", "01.24 2018", "01.24 2018 19 PSI", "01.22 19 PSI", "10.19 PSI", "01.01.01", "01.22.19 PSI")

重要的是最后一组，它查找由空格、连字符或句点分隔的 2-4 位数字，如果后面跟着行尾或空格加上另一个数字。否则最后的分隔符必须是连字符或句点：

str_extract(dat1, "\\d{2}[-\\. ]\\d{2}([-\\. ]\\d{2,4}(?= \\d|$)|[-\\.]\\d{2,4})?")

#### OUTPUT ####
[1] "01-25-2019" "15 01 2018" "01.16.2018" "01.24 2018" "01.24 2018" "01.22"      "10.19"      "01.01.01"   "01.22.19"

明显的好处是它还可以处理不一致的格式，例如"01.24 2018" 和"01.24 2018 19 PSI"。它可能仍需要一些微调，但我认为基于此原则构建应该相当简单。

我经常使用的另一种更简单的方法是首先消除明显的不匹配项。例如，首先删除前面有一些数字的PSI，然后再查找日期可能会更容易。

【讨论】：