使用正则表达式从R中的字符串中提取特定长度的数值
Extract a numeric value of a specific length from string in R using regex
看起来像是一个重复的问题，但其他答案对我没有帮助。我正在尝试提取文本中的任何 8 位数字。该数字可以在文本中的任何位置。它可以是独立的，也可以跟随或跟随字符串。基本上，我需要从 R 中的字符串中提取任何出现的 8 个连续数字字符，仅使用正则表达式。
这是我尝试过但无济于事的方法：
> my_text <- "the number 5849 and 5555555555 shouldn't turn up. but12345654 and 99119911 should be. let's see if 1234567H also works. It shouldn't. both 12345678JE and RG10293847 should turn up as well."
> ## this doesn't work
> gsub('(\d{8})', '\1', my_text)
[1] "the number 5849 shouldn't turn up. but12345654 and 99119911 should be. let's see if 1234567H also works. It shouldn't.both 12345678JE and RG10293847 should turn up as well."
我想要的输出应该提取以下数字：
12345654
99119911
12345678
10293847
同时，如果答案包含第二个正则表达式以仅提取第一次出现的 8 位数字，我将不胜感激：
12345654
编辑：我有一个非常大的 table（大约 2 亿行），我需要在一列上对其进行操作。什么是最有效的解决方案？
编辑：我意识到我的文本案例中缺少案例。文本中也有一些数字超过8位，但我只想提取刚好8位的数字。
我们可以使用str_extract_all
stringr::str_extract_all(my_text, "\d{8}")[[1]]
#[1] "12345654" "99119911" "12345678" "10293847"
类似地，在 base R 中我们可以使用 gregexpr 和 regmatches
regmatches(my_text, gregexpr("\d{8}", my_text))[[1]]
要获取最后 8 位数字，我们可以使用
sub('.*(\d{8}).*', '\1', my_text)
#[1] "10293847"
而对于第一个，我们可以使用
sub('.*?(\d{8}).*', '\1', my_text)
#[1] "12345654"
编辑
对于更新后的情况，我们想要匹配恰好 8 位数字（而不是更多），我们可以使用 str_match_all 并在后面进行负向观察
stringr::str_match_all(my_text, "(?<!\d)\d{8}(?!\d)")[[1]][, 1]
#[1] "12345654" "99119911" "12345678" "10293847"
在这里，我们得到8位数字，后面没有数字。
一个简单的选择也可以是从字符串中提取所有数字并仅保留 8 位数字
v1 <- regmatches(my_text, gregexpr("\d+", my_text))[[1]]
v1[nchar(v1) == 8]
我们可以更具体地执行此操作以避免任何边缘情况
library(stringr)
str_extract_all(my_text, "(?<![0-9])[0-9]{8}(?![0-9])")[[1]]
#[1] "12345654" "99119911" "12345678" "10293847"
检查差异
v1 <- "hello8888882343, 888884399, 88888888, 8888888888"
str_extract_all(v1, "\d{8}")
#[[1]]
#[1] "88888823" "88888439" "88888888" "88888888"
这里是提取大于8的连续数的子串，按照OP的post，应该是左
str_extract_all(v1, "(?<![0-9])[0-9]{8}(?![0-9])")
#[[1]]
#[1] "88888888"
看起来像是一个重复的问题，但其他答案对我没有帮助。我正在尝试提取文本中的任何 8 位数字。该数字可以在文本中的任何位置。它可以是独立的，也可以跟随或跟随字符串。基本上，我需要从 R 中的字符串中提取任何出现的 8 个连续数字字符，仅使用正则表达式。
这是我尝试过但无济于事的方法：
> my_text <- "the number 5849 and 5555555555 shouldn't turn up. but12345654 and 99119911 should be. let's see if 1234567H also works. It shouldn't. both 12345678JE and RG10293847 should turn up as well."
> ## this doesn't work
> gsub('(\d{8})', '\1', my_text)
[1] "the number 5849 shouldn't turn up. but12345654 and 99119911 should be. let's see if 1234567H also works. It shouldn't.both 12345678JE and RG10293847 should turn up as well."
我想要的输出应该提取以下数字：
12345654
99119911
12345678
10293847
同时，如果答案包含第二个正则表达式以仅提取第一次出现的 8 位数字，我将不胜感激：
12345654
编辑：我有一个非常大的 table（大约 2 亿行），我需要在一列上对其进行操作。什么是最有效的解决方案？
编辑：我意识到我的文本案例中缺少案例。文本中也有一些数字超过8位，但我只想提取刚好8位的数字。
我们可以使用str_extract_all
stringr::str_extract_all(my_text, "\d{8}")[[1]]
#[1] "12345654" "99119911" "12345678" "10293847"
类似地，在 base R 中我们可以使用 gregexpr 和 regmatches
regmatches(my_text, gregexpr("\d{8}", my_text))[[1]]
要获取最后 8 位数字，我们可以使用
sub('.*(\d{8}).*', '\1', my_text)
#[1] "10293847"
而对于第一个，我们可以使用
sub('.*?(\d{8}).*', '\1', my_text)
#[1] "12345654"
编辑
对于更新后的情况，我们想要匹配恰好 8 位数字（而不是更多），我们可以使用 str_match_all 并在后面进行负向观察
stringr::str_match_all(my_text, "(?<!\d)\d{8}(?!\d)")[[1]][, 1]
#[1] "12345654" "99119911" "12345678" "10293847"
在这里，我们得到8位数字，后面没有数字。
一个简单的选择也可以是从字符串中提取所有数字并仅保留 8 位数字
v1 <- regmatches(my_text, gregexpr("\d+", my_text))[[1]]
v1[nchar(v1) == 8]
我们可以更具体地执行此操作以避免任何边缘情况
library(stringr)
str_extract_all(my_text, "(?<![0-9])[0-9]{8}(?![0-9])")[[1]]
#[1] "12345654" "99119911" "12345678" "10293847"
检查差异
v1 <- "hello8888882343, 888884399, 88888888, 8888888888"
str_extract_all(v1, "\d{8}")
#[[1]]
#[1] "88888823" "88888439" "88888888" "88888888"
这里是提取大于8的连续数的子串，按照OP的post，应该是左
str_extract_all(v1, "(?<![0-9])[0-9]{8}(?![0-9])")
#[[1]]
#[1] "88888888"