带有汉字的正则表达式

Question

I'm searching text_ which is: 本周（3月25日-3月31日），国内油厂开机率继续下降，全国各地油厂大豆压榨总量1456000吨（出粕1157520吨，出油262080吨)，较上周的...[continued]

  crush <- str_extract(string = text_, pattern = perl("(?<=量).*(?=吨（出粕)"))
  meal <- str_extract(string = text_, pattern = perl("(?<=粕).*(?=吨，出)"))
  oil <-  str_extract(string = text_, pattern = perl("(?<=出油).*(?=吨）)"))

prints

[1] "1456000"   ## correct
[1] "1157520"   ## correct
[1] NA          ## looking for 262080 here

Why do the first two match but not the last one? I'm using the stringr library.

Answer 1

试试这个：

  oil <-  str_extract(string = text_, pattern = perl("(?<=出油).*(?=吨)，较上周的）)"))

因为简单吨以后可能会再次出现你的文字，无法精确定位是哪一部分，可能会超出数据长度或导致数据类型问题。

Answer 2

出于某种原因，我仍然不知道，我无法使用@WiktorStribiżew 的评论解决方案，但这最终奏效了：

oil <-  str_extract(string = text_, pattern = perl("(?<=吨).*(?=吨)"))
# [1] "（出粕1157520吨，出油262080吨），较
oil <- str_extract(string = oil, pattern = perl("(?<=油)\d+(?=吨)"))
# [1] 262080

Answer 3

请注意，当前版本的 stringr 软件包基于 ICU 正则表达式库，不推荐使用 perl()。

请注意，lookbehind 模式是固定宽度的，ICU 解析您的 lookbehind 模式中的第一个字母的方式似乎存在问题（由于某些未知原因，它无法计算其宽度）。

由于您使用的是 stringr，您可能只需要依靠捕获来提取 ，这可以通过 str_match 实现模式的部分：

> match <- str_match(s, "出油(\d+)吨")
> match[,2]
[1] "262080"

这样，您将避免将来出现任何最终问题。此外，这些正则表达式的执行速度更快，因为在搜索字符串的每个位置执行的模式中没有未锚定的后视。

此外，您可以只使用您的 PCRE 正则表达式，基数为 R:

> regmatches(s, regexpr("(?<=出油)\d+(?=吨)", s, perl=TRUE))
[1] "262080"

Answer 4

你检查过你的ICU版本了吗。我之前遇到过这个问题，当时stringi的ICU版本是55，我尝试用ICU 58重新编译stringi，然后stringr可以正常使用汉字了。现在stringi的新版本是用60以上的ICU编译的，问题应该解决了。

带有汉字的正则表达式

Regex with Chinese characters

regex

r

stringr