Question

我正在寻找text_：本周（3月25日 - 3月31日），国内油厂开机率继续下降，全国各地油厂大豆压榨总量1456000吨（出粕1157520吨，出油262080吨），较上周的... [续]

  crush <- str_extract(string = text_, pattern = perl("(?<=量).*(?=吨（出粕)"))
  meal <- str_extract(string = text_, pattern = perl("(?<=粕).*(?=吨，出)"))
  oil <-  str_extract(string = text_, pattern = perl("(?<=出油).*(?=吨）)"))

打印

[1] "1456000"   ## correct
[1] "1157520"   ## correct
[1] NA          ## looking for 262080 here

为什么前两个匹配但不匹配？我正在使用stringr库。

Answer 1

请注意，当前版本的stringr包基于ICU正则表达式库，不推荐使用perl()。

请注意，lookbehind模式是固定宽度的，似乎ICU如何解析lookbehind模式中的第一个字母（由于某些未知原因无法计算其宽度）。

由于您使用的是stringr，您可能只需依靠捕获即可通过str_match实现，以提取部分图案：

> match <- str_match(s, "出油(\\d+)吨")
> match[,2]
[1] "262080"

这样，您将来可以避免任何最终问题。此外，这些正则表达式执行得更快，因为在搜索字符串中的每个位置执行的模式中都没有未锚定的lookbehind。

此外，您可以使用您的PCRE正则表达式与基础R：

> regmatches(s, regexpr("(?<=出油)\\d+(?=吨)", s, perl=TRUE))
[1] "262080"

Answer 2

出于某种原因，仍然不知道，我无法使用@WiktorStribiżew的评论解决方案，但最终工作：

oil <-  str_extract(string = text_, pattern = perl("(?<=吨).*(?=吨)"))
# [1] "（出粕1157520吨，出油262080吨），较
oil <- str_extract(string = oil, pattern = perl("(?<=油)\\d+(?=吨)"))
# [1] 262080

Answer 3

试试这个：

  oil <-  str_extract(string = text_, pattern = perl("(?<=出油).*(?=吨)，较上周的）)"))

由于简单的吨可能会再次出现在您的文本中，无法精确定位哪个部分，可能超出数据长度或导致数据类型问题。

正则表达中文字符

3 个答案: