用于识别英国邮政编码的 R 正则表达式

Posted 2023-02-23

【中文标题】用于识别英国邮政编码的 R 正则表达式

【英文标题】：R Regex for identifying UK postcodes

【发布时间】：2018-04-25 11:50:31

【问题描述】：

我的问题类似于this，但我正在寻找特定于R 的内容。我有一个包含数万个地址的data.frame，需要提取邮政编码。邮政编码位于英国，格式为 LETTER_LETTER_DIGIT LETTER_LETTER_DIGIT。类似于以下内容：

“8，Longbow Close，\r\nHarlescott Lane，\r\nShrewsbury，\r\n英格兰，\r\nSY1 3GZ”

我用stringr 使用了这段代码的变体，但无济于事：

str_extract('^(\\[Gg]\\[Ii]\\[Rr] 0\\[Aa]2)|(((\\[A-Za-z]\\[0-9]1,2)|((\\ 
[A-Za-z]\\[A-Ha-hJ-Yj-y]\\[0-9]1,2)|((\\[AZa-z]\\[0-9]\\[A-Za-z])|(\\[A-Za- 
z]\\[A-Ha-hJ-Yj-y]\\[0-9]?\\[A-Za-z]))))\\[0-9]\\[A-Za-z]2)$',alfa$Address) 

【问题讨论】：

为什么没有用？发生了什么？我猜你因为^ 和$ 而没有匹配到。删除它们或替换为\\b，并使用str_extract_all。并交换参数，第一个是输入，第二个是正则表达式。并且不要转义[，这是一个字符类的开始。

为什么会有双反斜杠？

@WiktorStribiżew，我首先得到了 NA。删除^ 和$ 并使用str_extract_all 后，我得到character(0)。

因为所有[ 都匹配为文字[。删除逃逸。您为什么更改链接到的帖子中的正则表达式？

【参考方案1】：

^ 和 $ 锚点要求模式匹配整个字符串。您可以使用 \b(?:<pattern>)\b 包装模式以匹配这些代码作为整个单词（\b 是单词边界）。此外，字符类被“破坏”，因为您转义了它们的 [ 起始括号（\[ 匹配文字 [ 字符）。另外，交换参数，第一个是输入，第二个是正则表达式。此外，要获得所有匹配项，您需要使用str_extract_all 而不是str_extract。

您可以像这样修复代码：

library(stringr)
txt <- "8, Longbow Close,\r\nHarlescott Lane,\r\nShrewsbury,\r\nEngland,\r\nSY1 3GZ"
pattern <- "\\b(?:([Gg][Ii][Rr] 0[Aa]2)|((([A-Za-z][0-9]1,2)|(([A-Za-z][A-Ha-hJ-Yj-y][0-9]1,2)|(([A-Za-z][0-9][A-Za-z])|([A-Za-z][A-Ha-hJ-Yj-y][0-9]?[A-Za-z]))))\\s?[0-9][A-Za-z]2))\\b"
str_extract_all(txt, pattern)
# => [[1]]
#   [1] "SY1 3GZ"

【讨论】：

感谢您的解释。您的代码完美运行！

【参考方案2】：

这是一种更易读的方式：

            if ($elocate =~ /\b([A-Z])([A-Z])([0-9])([A-Z]) ([0-9])([A-Z])([A-Z])\b/) 
                    $ezip = $1.$2.$3.$4.$5.$6.$7;
                    $ezips = $1.$2.$3.$4.' ' .$5.$6.$7;
             elsif ($elocate =~ /\b([A-Z])([0-9])([A-Z]) ([0-9])([A-Z])([A-Z])\b/) 
                    $ezip = $1.$2.$3.$4.$5.$6;
                    $ezips = $1.$2.$3.' '.$4.$5.$6;
             elsif ($elocate =~ /\b([A-Z])([0-9]) ([0-9])([A-Z])([A-Z])\b/) 
                    $ezip = $1.$2.$3.$4.$5;
                    $ezips = $1.$2.' '.$3.$4.$5;
             elsif ($elocate =~ /\b([A-Z])([0-9])([0-9]) ([0-9])([A-Z])([A-Z])\b/) 
                    $ezip = $1.$2.$3.$4.$5.$6;
                    $ezips = $1.$2.$3.' '.$4.$5.$6;
             elsif ($elocate =~ /\b([A-Z])([A-Z])([0-9]) ([0-9])([A-Z])([A-Z])\b/) 
                    $ezip = $1.$2.$3.$4.$5.$6;
                    $ezips = $1.$2.$3.' ' .$4.$5.$6;
             elsif ($elocate =~ /\b([A-Z])([A-Z])([0-9])([0-9]) ([0-9])([A-Z])([A-Z])\b/) 
                    $ezip = $1.$2.$3.$4.$5.$6.$7;
                    $ezips = $1.$2.$3.$4.' '.$5.$6.$7;