使用Regex选择多个句子模式-分组有问题吗？

Question

我要在R中使用Regex语句从数据帧中提取模式的完全匹配项时遇到麻烦。

我有11个句子模式，并且我希望能够使用一个Regex从数据框中仅选择与这些模式匹配的记录作为完全匹配项（我已经使它能够与多个Regex一起使用，但这是一个真实的麻烦）。对于我可以做到这一点的任何帮助，我们将不胜感激。

这些是我的句子：

• 从任何其他章改变到标题0101至0106。
• 从任何其他章改变到子目0712.20至0712.39。
• 从任何其他章改变到标题0903。
• 从任何其他标题更改为子标题1806.20。
• 从任何其他章改变至子目1207.99。
• 从任何其他标题更改为标题4302。
• 从标题4102或任何其他章改变到子标题4105.10。
• 从标题4102，子标题4105.10或任何其他章节更改为子标题4105.30。
• 从副标题4103.10或任何其他章改变到副标题4106.21。
• 从副标题4103.10或4106.21或任何其他章改变到副标题4106.22。
• 从税目7304.49或任何其他税目改变至关税项目7304.41.30 其他章节。

这是我现在拥有的正则表达式，它选择完全匹配和部分匹配（卡住的地方）-因此，除了这些句子之外，我最终从数据框中获得了不需要的记录（我知道太乱了，仅举一个例子）。

^A change to (?:headings|heading|subheadings|subheading|tariff item) (?:\d+\S\d+\S\d+|\d+\S\d+) (?:through \d+\S\d+ from any other chapter.|from any other chapter.|from any other heading.|)|from heading \d+\S\d+ or any other chapter.|from (?:heading|subheading|subheadings) \d+\S\d+|, subheading \d+\S\d+ or any other chapter| or any other chapter.| or \d+\S\d+

这是我使用正则表达式可以对所有11个句子进行完全匹配的结果。在此之后，我仍然无法继续保持整洁：

^A change to (?:tariff item|headings|heading|subheading|subheadings) (?:\d+\S\d+|\d+\S\d+\S\d+|\d+\S\d+) (?:from|through) 

Answer 1

您可以使用

rx <- "A\\s+change\\s+to\\s+(?:(?:sub)?headings?|tariff\\s+item)\\s+\\d[0-9.]*(?:\\s+through\\s+\\d[0-9.]*)?\\s+from(?:(?:,?\\s+(?:sub)?headings?\\s+\\d[0-9.]*)+(?:\\s+or\\s+\\d[0-9.]*)*\\s+or)?\\s+any\\s+other\\s+(?:heading|chapter)\\."

请参见regex demo。请注意，\s+匹配1个或多个空格字符，即使单词之间的空格数量和类型不是恒定的，也将匹配。

详细信息

• A\\s+change\\s+to\\s+-A change to 子字符串
• (?:(?:sub)?headings?|tariff\\s+item)-subheading，subheadings，heading，headings，tariff item子字符串
• \\s+\\d[0-9.]*-1个以上的空格，1位数字和0个或多个数字或.
• (?:\\s+through\\s+\\d[0-9.]*)?-可选序列：
  • \\s+-超过1个空格
  • through-through
  • \\s+-超过1个空格
  • \\d[0-9.]*-1位数字和0个或更多数字或.
• \\s+from-1个以上的空格和from
• (?:(?:,?\\s+(?:sub)?headings?\\s+\\d[0-9.]*)+(?:\\s+or\\s+\\d[0-9.]*)*\\s+or)?-可选序列：
  • (?:,?\\s+(?:sub)?headings?\\s+\\d[0-9.]*)+-1个或多个序列：
    • ,?-可选的,
    • \\s+
    • (?:sub)?headings?-可选的sub，然后是heading，然后是可选的s
    • \\s+-超过1个空格
    • \\d[0-9.]*-一个数字，然后是0+数字或.个字符
  • (?:\\s+or\\s+\\d[0-9.]*)*-0个或多个序列：
    • \\s+-超过1个空格
    • or\\s+\\d[0-9.]*-or，1+个空格，一个数字，然后是0+个数字或.个字符
  • \\s+or-1个以上的空格和or
• \\s+any\\s+other\\s+(?:heading|chapter)\\.- any other heading.或 any other chapter.

所有11个匹配项均在this online R demo中返回：

text <- "A change to headings 0101 through 0106 from any other chapter.
A change to subheadings 0712.20 through 0712.39 from any other chapter.
A change to heading 0903 from any other chapter.
A change to subheading 1806.20 from any other heading.
A change to subheading 1207.99 from any other chapter.
A change to heading 4302 from any other heading.
A change to subheading 4105.10 from heading 4102 or any other chapter.
A change to subheading 4105.30 from heading 4102, subheading 4105.10 or any other chapter.
A change to subheading 4106.21 from subheading 4103.10 or any other chapter.
A change to subheading 4106.22 from subheadings 4103.10 or 4106.21 or any other chapter.
A change to tariff item 7304.41.30 from subheading 7304.49 or any other chapter."
rx <- "A\\s+change\\s+to\\s+(?:(?:sub)?headings?|tariff\\s+item)\\s+\\d[0-9.]*(?:\\s+through\\s+\\d[0-9.]*)?\\s+from(?:(?:,?\\s+(?:sub)?headings?\\s+\\d[0-9.]*)+(?:\\s+or\\s+\\d[0-9.]*)*\\s+or)?\\s+any\\s+other\\s+(?:heading|chapter)\\."
regmatches(text, gregexpr(rx, text))