RegEx with LookArounds：

Question

我正在尝试从字符串中删除/提取邮政编码。逻辑是我抓住的东西：

必须包含5个连续数字或
必须包含5个连续数字后跟一个破折号，然后恰好包含4个连续数字或
必须包含5个连续数字后跟一个空格，然后恰好包含4个连续数字

字符串的zip部分可以以空格开头，但可能不是。

这是一个MWE和我尝试过的。 2个尝试的正则表达式基于this question和this question：

text.var <- c("Mr. Bean bought 2 tickets 2-613-213-4567",
  "43 Butter Rd, Brossard QC K0A 3P0 – 613 213 4567", 
  "Rat Race, XX, 12345",
  "Ignore phone numbers(613)2134567",
  "Grab zips with dashes 12345-6789 or no space before12345-6789",  
  "Grab zips with spaces 12345 6789 or no space before12345 6789",
  "I like 1234567 dogs"
)

pattern1 <- "\\d{5}([- ]*\\d{4})?"
pattern2 <- "[0-9]{5}(-[0-9]{4})?(?!.*[0-9]{5}(-[0-9]{4})?)"


regmatches(text.var, gregexpr(pattern1, text.var, perl = TRUE)) 
regmatches(text.var, gregexpr(pattern2, text.var, perl = TRUE)) 

## [[1]]
## character(0)
## 
## [[2]]
## character(0)
## 
## [[3]]
## [1] "12345"
## 
## [[4]]
## [1] "21345"
## 
## [[5]]
## [1] "12345-6789"
## 
## [[6]]
## [1] "12345"
## 
## [[7]]
## [1] "12345"

所需输出

## [[1]]
## character(0)
## 
## [[2]]
## character(0)
## 
## [[3]]
## [1] "12345"
## 
## [[4]]
## character(0)
## 
## [[5]]
## [1] "12345-6789" "12345-6789"
## 
## [[6]]
## [1] "12345 6789" "12345 6789"
## 
## [[7]]
## character(0)

注意 R的正则表达式与其他正则表达式类似但是特定于R。这个问题特定于R的正则表达式而不是一般的正则表达式问题。

Answer 1

你可以使用这样的正则表达式：

"(?<!\\d)(\\d{5}(?:[-\\s]\\d{4})?)\\b"

<强> Working demo

enter image description here

Answer 2

这对我有用，并为您的所有示例提供了所需的输出：

"(?<!\\d)(\\d{5}(?:[- ]\\d{4})?)(?!\\d)"

Answer 3

Lookaround断言

您可以在此处使用Negative Lookbehind和字边界\b的组合。

regmatches(text.var, gregexpr('(?<!\\d)\\d{5}(?:[ -]\\d{4})?\\b', text.var, perl=T))

<强>解释：

负面的后视断言，前面的不是数字。

Word边界断言，一方面有一个单词字符，另一方面没有。

(?<!        # look behind to see if there is not:
  \d        #   digits (0-9)
)           # end of look-behind
\d{5}       # digits (0-9) (5 times)
(?:         # group, but do not capture (optional):
  [ -]      #   any character of: ' ', '-'
  \d{4}     #   digits (0-9) (4 times)
)?          # end of grouping
\b          # the boundary between a word character (\w) and not a word character

其他选项

您可以考虑使用速度更快的stringi库包。

> library(stringi)
> stri_extract_all_regex(text.var, '(?<!\\d)\\d{5}(?:[ -]\\d{4})?\\b')

Answer 4

RegEx with LookArounds：

(?<![0-9-])([0-9]{5}(?:[ -][0-9]{4})?)(?![0-9-])`

现场演示：http://regex101.com/r/hU9oK4/1

我们之后的事情：

[0-9]{5}是重要的部分，正好找5位数字
(?:[ -][0-9]{4})?)只有在用空格或减号连接的情况下才可选择再加4次

边界，边界，边界：

(?<![0-9-])第一组：负面LookBehind（确保没有数字或短划线）
(?![0-9-])最后一组：负面预测（ - || - 相同模式...... ）

额外的测试用例：

另一个拉链09788-4234后没有空格   98712个
  987122个
  邮编或范围12987-19222？
  这个系列怎么样88101-8892-22912-9991-99101？
  90872-8881

为什么？

LookArounds不是consume个字符
你不应该接受误报（例如，较长的编号中的第一个或最后5个数字）
ZIP可能在其自己的行上，或者在开头或结尾
您可以碰到无空间地址
以减号开头的5位数不应为邮政编码

最终说明：这不是最终或防弹匹配代码，您可能仍会收集一些zip相似内容，尤其是因为您需求中数字组之间的空格

_{个人注意事项我发现[0-9]个字符类更清晰且更易于理解适用于RegEx的新手，即使他们已包含在一个\d，但它们也更快，并且在RegEx风格之间具有更好的兼容性。另一方面，双重逃避（例如\\d是丑陋的阅读）}

Answer 5

qdapRegex包具有rm_zip功能（基于@ hwnd＆＃39; s响应）：

rm_zip(text.var)
rm_zip(text.var, extract=TRUE)

> rm_zip(text.var, extract=TRUE)
[[1]]
[1] NA

[[2]]
[1] NA

[[3]]
[1] "12345"

[[4]]
[1] NA

[[5]]
[1] "12345-6789" "12345-6789"

[[6]]
[1] "12345 6789" "12345 6789"

[[7]]
[1] NA

从字符串中删除美国邮政编码：R正则表达式

5 个答案:

Lookaround断言

其他选项

RegEx with LookArounds：

为什么？