用于识别英国邮政编码的 R 正则表达式
Posted
技术标签:
【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;
【讨论】:
以上是关于用于识别英国邮政编码的 R 正则表达式的主要内容,如果未能解决你的问题,请参考以下文章