正则表达式是我们认识世界的哲学

Posted 2021-05-02 果子学生信

首先我回答了一个学员的提问，

然后我为了使代码更加简洁，问了洲更一个问题，

如何获取括号中的内容，但不要返回括号。

我为什么这么问，因为我知道perl语言里面的正则表达式是可以实现这个功能的，而我曾经学过两个星期的perl语言。

这是他的回答，大概时间就是1个小时之内，包括了写帖子的过程。所以江湖人称“日更小王子”，更新速度极快。

看了回答，深刻的理解了这句话，

正则表达式是我们认识世界的哲学

决定把代码再精简一点。

观察之后总结模式

string = "Homo sapiens intraflagellar transport 80 homolog (Chlamydomonas) (IFT80), mRNA"

以这个为例，他里面有两个括号，我们要观察他，然后再把它抽象模式化。

• 我们必须到找到一对括号，而且这个括号需要在逗号之前。

• 因为括号是元字符，需要斜杠来转译，而斜杠也是元字符，需要另外一个斜杠来转译。
  现在这个模式可以写成这个样子

pattern = "\\(\\),"

那么找到了括号，这个括号里面是要有东西的，内容就是大小写字母和数字的结合[A-Za-z0-9]，而且数量不限，所以，这个模式就变成了这样，* 符号代表是0或者多个

pattern = "\\([A-Za-z0-9]*\\),"

其中，我们想要把括号中的内容[A-Za-z0-9]*单独提取出来，那么需要给他增加一对括号，我们的模式就定型了

pattern = "\\(([A-Za-z0-9]*)\\),"

测试结果

现在可以测试一下stringr包中的str_view函数可以可视化匹配的结果

str_view(string,pattern)

使用str_match函数来匹配

str_match(string,pattern)

我们需要的括号内的内容在第二列，如果str_match中没有额外的括号，结果只会是一列

str_match(string,pattern)[,2]

[1] "IFT80"

既然我们明确地定义了做一件事情的步骤，那么我们就可以批量做。

library(dplyr)
library(stringr)
probeGenesymbol <- GPL4381 %>% 
  # 增加一个新的列gene_symbol，这个列获取了括号中的内容
  mutate(gene_symbol = str_match(.$GB_DEFINITION,pattern)[,2]) %>%
  # 过滤掉gene_symbol为空的行
  filter(gene_symbol != "") %>% 
  # 选出需要的列
  select(ID,gene_symbol,GB_DEFINITION)

现在这个代码足够简洁，更重要的是，我们升级了匹配模式，正则表达式就像眼睛一样，戴不戴世界就在那里，不增不减，但是戴上后，细节更多了，此时我们获得了跟多的结果，总共11399行。

既然开始接触字符串的处理以及正则表达式，我会系统地学习一下R语言的爬虫，把这两者更好地结合起来。