有问必答：聊聊正则表达式里的转义字符

Posted 2021-05-02 爬虫俱乐部

hello！诸君安！

近日有位朋友问了这么一个问题：他想将形如’A|B’字符串中的B提取出来，但是使用正则表达式一直无法成功，这该怎么办呢？

爬虫君看到这个问题时心中暗喜，它看似简单，但却富有启发，下面让爬虫君细细说来。

1

匹配元字符本身？——转义

在正则表达式中，存在着一些“特殊字符”，我们称之为元字符。正则表达式元字符是代表着特殊含义的字符，包括基本元字符、数量元字符、位置元字符等，当用这些元字符匹配文本时，如果要表示“元字符”本身，而不是其代表的特殊含义，就需要对元字符进行转义，转义的方法也很简单，在正则表达式中的元字符前面加上”\”即可。

以下两个正则表达式，一个未对元字符转义，一个进行了转义。元字符”|”代表逻辑“或”操作符。

set obs 1

gen  result="blue|glue"
gen result2=ustrregexs(1) if ustrregexm(result,"|(.*)")

gen result3=ustrregexs(1) if ustrregexm(result,"\|(.*)")

list

我们可以看到，未对元字符转义的正则表达式匹配失败，后者则匹配成功，匹配到了glue字符串。

现在我们来看一看这位粉丝的问题。

use "D:\stataABC\转义字符\PROVINCE_NAME.dta"
list

数据集给出了中国34个省级行政区域的名称，其中部分观测值的形式是 繁体|简体 现在我们只想要简体，而去掉繁体。 如果将表达式直接写成”|(.*)”的形式，则匹配不到字符串中的|字符，这也是粉丝反应的无法提取的原因。正确方案是对元字符|进行转义：

replace province=ustrregexs(1) if ustrregexm(province,"\|(.*)")

或者我们使用 ustrregexra 进行替换。

（1）replace province=ustrregexra(province,".+\| ","")

（2）replace province=ustrregexra(province,".+\|(.*)","$1")

ustrregexra是正则表达式替换函数，它将所有正则表达式匹配到的字符串都换成指定字符串，我们以上式为例，第一个参数（province）是要替换的变量，第二个参数（".+\| "）是正则表达式要匹配的文本，第三个参数是所要替换成的子字符串。

（1）式是将元字符|以及其之前的内容全部置换为空

（2）式使用回溯引用，$1表示将前面匹配到的文本替换成第一个子表达式（即(.*)里的内容）

2

split命令——更快更易懂

事实上，除了正则表达式，Stata还有更方便的命令处理类似的问题，它就是split。

split命令可以将指定变量内容依据给定的特殊字符进行自动分割，在处理上更加直观， 在这个问题中，我们以”|”作为分割的字符

use "D:\stataABC\转义字符\PROVINCE_NAME.dta"

split province,parse(|)

list

我们可以看到，由于部分观测值没有|符号，因此它们的简体字被归到了province1中，此时我们只需要将province2为空的观测值的province1的值赋给province2即可。

replace province2=province1 if province2==""

list

看不懂的记得戳下方视频哦~

 注：此推文中的图片及封面（除操作部分的）均来源于网络！如有雷同纯属巧合！

以上就是今天给大家分享的内容了，说得好就赏个铜板呗！有钱的捧个钱场，有人的捧个人场~。另外，我们开通了苹果手机打赏通道，只要扫描下方的二维码，就可以打赏啦！

                        文字编辑：王凯丽

技术总编：刘贝贝

---

---

往期推文推荐：

---

关于我们

此外，欢迎大家踊跃投稿，介绍一些关于stata的数据处理和分析技巧。

投稿邮箱：[e-mail]

欢迎关注爬虫俱乐部