正则表达式、R 和逗号

Question

我在使用 R 中的正则表达式字符串时遇到了一些问题。我正在尝试使用正则表达式从字符串（从网络上抓取）中提取标签，如下所示：

str <- "\n\n\n    \n\n\n      “Don't cry because it's over, smile because it happened.”\n    ―\n    Dr. Seuss\n\n\n\n\n   \n     tags:\n       attributed-no-source,\n       cry,\n       crying,\n       experience,\n       happiness,\n       joy,\n       life,\n       misattributed-dr-seuss,\n       optimism,\n       sadness,\n       smile,\n       smiling\n   \n   \n     176513 likes\n   \n\n\n\n\nLike\n\n"

# Why doesn't this work at all?
stringr::str_match(str, "tags:(.+)\d")

     [,1] [,2]
[1,] NA   NA  

# Why just the first tag? What happens at the comma?
stringr::str_match(str, "tags:\n(.+)")

      [,1]                                  [,2]                          
[1,] "tags:\n       attributed-no-source," "       attributed-no-source,"

所以有两个问题——为什么我的第一个想法行不通，为什么第二个想法没有捕获到字符串的末尾，而不仅仅是第一个逗号？

谢谢！

Answer 1

请注意 stringr 正则表达式风格是 ICU 的风格。与 TRE 不同，. 不匹配 ICU 正则表达式模式中的换行符。

因此，一个可能的解决方法是使用 (?s) - 一个 DOTALL 修饰符，使 . 匹配任何字符，包括换行字符 - 在模式的开头：

str_match(str, "(?s)tags:(.+)\d")

和

str_match(str, "(?s)tags:\n(.+)")

但是，我觉得您好像需要将 tags: 下面的所有字符串作为单独的匹配项。我建议使用基本 R regmatches / gregexpr 和 PCRE 正则表达式，如

(?:\G(?!\A),?|tags:)\R\h*\K[^\s,]+

查看您的数据 regex demo。

(?:\G(?!\A),?|tags:) - 将上一次成功匹配的结尾与后面的 1 或 0 , (\G(?!\A),?) 或 (|) tags: 匹配子串
\R - 换行序列
\h* - 0+ 水平空格
\K - 匹配重置运算符，丢弃目前匹配的所有文本
[^\s,]+ - 除了空格和 ,

参见 R demo:

str <- "\n\n\n    \n\n\n      “Don't cry because it's over, smile because it happened.”\n    ―\n    Dr. Seuss\n\n\n\n\n   \n     tags:\n       attributed-no-source,\n       cry,\n       crying,\n       experience,\n       happiness,\n       joy,\n       life,\n       misattributed-dr-seuss,\n       optimism,\n       sadness,\n       smile,\n       smiling\n   \n   \n     176513 likes\n   \n\n\n\n\nLike\n\n"
reg <- "(?:\G(?!\A),?|tags:)\R\h*\K[^\s,]+"
vals <- regmatches(str, gregexpr(reg, str, perl=TRUE))
unlist(vals)

结果：

[1] "attributed-no-source" "cry" "crying" 
[4] "experience" "happiness" "joy" 
[7] "life" "misattributed-dr-seuss" "optimism" 
[10] "sadness" "smile" "smiling"

正则表达式、R 和逗号

Regex, R, and Commas

regex

r

stringr