在 R 正则表达式的字符类中使用速记字符类

Posted 2023-02-15

【中文标题】在 R 正则表达式的字符类中使用速记字符类

【英文标题】：Using shorthand character classes inside character classes in R regex

【发布时间】：2018-12-27 12:37:27

【问题描述】：

我已经定义了

vec <- "5f 110y, Fast"

和

gsub("[\\s0-9a-z]+,", "", vec)

给出“5f Fast”

我原以为它会给出“Fast”，因为逗号之前的所有内容都应该与正则表达式匹配。

谁能向我解释为什么不是这样？

【参考方案1】：

您应该记住，在 TRE 正则表达式模式中，您不能在括号表达式中使用像 \s、\d、\w 这样的正则表达式转义。

因此，在您的情况下，正则表达式 "[\\s0-9a-z]+," 匹配 1 个或多个 \、s、数字和小写 ASCII 字母，然后是单个 ,。

您可以改用 POSIX 字符类，例如 [:space:]（任何空格）或 [:blank:]（水平空格）：

> gsub("[[:space:]0-9a-z]+,", "", vec)
[1] " Fast"

或者，使用带有 \s 和 perl=TRUE 参数的 PCRE 正则表达式：

> gsub("[\\s0-9a-z]+,", "", vec, perl=TRUE)
[1] " Fast"

要使 \s 匹配所有 Unicode 空格，请在模式开头添加 (*UCP) PCRE 动词：gsub("(*UCP)[\\s0-9a-z]+,", "", vec, perl=TRUE)。

【讨论】：

非常感谢您！我不知道 TRE 正则表达式和其他正则表达式类型之间的区别。

@ThanksABundle 是的，您的 "[\\s0-9a-z]+," TRE 正则表达式匹配 1 个或多个 \、s、数字和小写 ASCII 字母，然后是单个 ,。这就是它与预期不匹配的原因。

你能解释一下为什么 '\\' 在 '[ ]' 外面有效，但在里面无效。这只是 TRE 正则表达式的一个功能吗？

@ThanksABundle 在括号表达式中，\ 被视为文字反斜杠。在括号表达式之外，\ 可用于定义正则表达式转义，如 \s（匹配空格）、\d（数字），或转义特殊字符，如 (、[、*、等等。你不能在括号表达式中转义它们。要在 TRE 正则表达式的括号表达式中使用 [、]、^ 和 \，您可以使用 []\[^-] ("[]\\[^-]")。

要匹配 \ 之外的文字 [] ，您必须再次对其进行转义：\\\\ 。

【参考方案2】：

您能否尝试关注并告诉我这是否对您有帮助。

vec <- c("5f 110y, Fast")
gsub(".*,","",vec)

或

gsub("[[:alnum:]]+ [[:alnum:]]+,","",vec)

【讨论】：

是的，这确实在这里工作，但在其他情况下对我的需求来说太笼统了。无论如何，我真的只对我上面的正则表达式不起作用的原因感兴趣

@ThanksABundle，现在请检查我的 OR 解决方案，然后告诉我？

是的，感谢您提供此替代解决方案。尽管如此，我仍然在问为什么我最初的正则表达式不起作用

【参考方案3】：

尝试不同的正则表达式：

gsub("[[:blank:][:digit:][:lower:]]+,", "", vec)
#[1] " Fast"

或者，删除逗号后的空格，

gsub("[[:blank:][:digit:][:lower:]]+, ", "", vec)
#[1] "Fast"

【参考方案4】：

tidyverse 的解决方案是将str_replace 与您的原始正则表达式一起使用：

library(stringr)

str_replace(vec, "[\\s0-9a-z]+,", "")

【讨论】：

好的，谢谢！我很奇怪在 gsub 和 str_replace 之间发现正则表达式行为的差异