正则表达式从R中的.sdf文件中提取唯一字段

Question

我正在寻找R中的正则表达式来提取.sdf化学数据文件中给出的字段。 在这种情况下，字段由＆lt;分隔。 ＆GT;并在行的开头跟随“＆gt;”。 例如。在

的情况下

string=">  <FIELD1>\nfield text1\n\n>  <FIELD2>\nfield text2\n\n>  <FIELD3>field text3"

它必须返回

fields=c("FIELD1","FIELD2","FIELD3")

（它们可能会发生多次，所以我只需要unique()个） 有什么想法吗？

欢呼声， 汤姆

Answer 1

您可以使用gregexpr和regmatches来提取子字符串，使用unique来删除重复项。

unique(regmatches(string, gregexpr("(?<=<)\\w+(?=>)", string, perl = TRUE))[[1]])
# [1] "FIELD1" "FIELD2" "FIELD3"

Answer 2

试试这个。它提取由括号括起的正则表达式部分匹配的字符串部分，然后使用unique简化它：

library(gsubfn)
strapplyc(string, "<([^>]*)>", simplify = unique)

，并提供：

[1] "FIELD1" "FIELD2" "FIELD3"

修改次要简化。