Question

假设我有以下字符串：

“LAWNº1234/ 1998 - DATE 01/01/1998 \”LAW TITLE HERE \“。”
“LEINº1234/ 1998 - 日期01/01 / 1998LAW标题可能包含4 | _ | D4NUM3R！C或P_NC7U @ 7 |（）N”

说明：

甲。我在子字符串中有一些唯一的标识符（“LAWNº NNNN / YYYY“）后跟” - “
B中。然后是DATE标识符，前面是单词“DATE”
℃。然后是标准的大陆格式日期（“DD / MM / YYYY”）
d。最后是包含文档标题

注意： 例外情况是标题子字符串 可能包含也可能不包含在双引号中

注意： 所有标题都具有以下功能;可能会也可能不会开始（或包含）字母和数字字符以及标点符号（句号结尾处的完整句点或句号或其他标点符号中包含逗号，分号或冒号）。

我的问题： 我如何能够最有效地修改下面构造的类Perl正则表达式，以处理未被捕获的标题子字符串的异常双引号？简而言之，我想从字符串中保留（或保留）title子字符串，无论它是否被上面列出的两种类型的字符串中的双引号捕获。

当前，类似Perl的正则表达式：

'（？＆lt; = DATE \ d {2} / \ d {2} / \ d {4}（\“| \ s +））（。*）$'

示例代码＆amp;数据

s1<- "LAW Nº 1234/1998 - DATE 01/01/1998\"LAW TITLE HERE MAY CONTAIN 4|_|D4NUM3R!C OR P_NC7U@7|()N\"."

s2<-"LAW Nº 1234/1998 - DATE 01/01/1998LAW TITLE HERE MAY CONTAIN 4|_|D4NUM3R!C OR P_NC7U@7|()N"

p<-'(?<=DATE \\d{2}/\\d{2}/\\d{4}(\"|\\S))(.*)$'

m1<-regexpr(p, s1,perl=T)

m2<-regexpr(p, s2,perl=T)

t1<-regmatches(s1, m1)

t2<-regmatches(s2, m2)

print(t1)

print(t2)

返回：

“LAWNº1234/ 1998 - 日期01/01/1998”法律标题可能包含在这里 4 | _ | D4NUM3R！C或P_NC7U @ 7 |（）N \“。”
“AW TITLE HERE 5可能包含4 | _ | D4NUM3R！C或P_NC7U @ 7 |（）N”

当前的实施问题，需要修复：

字符串1有一个最后的'\“'，它是一个转义的双引号需要从最终产出中排除。
当前正则表达式构造首先排除检测到非空白字符。

所需的输出（来自两个子字符串的相同输出）：

“法律标题可能包含4 | _ | D4NUM3R！C或P_NC7U @ 7 |（）N。”

“法律标题可能包含4 | _ | D4NUM3R！C或P_NC7U @ 7 |（）N。”

R会话信息（基础R，无附加包）：

R版本3.2.4（2016-03-10）平台：x86_64-apple-darwin13.4.0 （64位）运行于：OS X 10.11.5（El Capitan）

Answer 1

到目前为止，我能提出最有效的解决方案：

类似Perl的正则表达式：

＆＃39;（？＆lt; = DATE [\ d /] {10}）（\＆＃34; | \ w）[^ \＆＃34;] +＆＃39;

<强> 代码：

p<-'(?<=DATE [\\d/]{10})(\"|\\w)[^\"]+'

m1<-gregexpr(p,s1,perl=T)

t1<-gsub('\"', '', regmatches(s1, m1)[[1]])

m2<-gregexpr(p,s2,perl=T)

t2<-gsub('\"', '', regmatches(s2, m2)[[1]])

print(t1)

print(t2)

Answer 2

此处使用PCRE的最佳方法是使用branch reset group，(?|...|...)并在每个分支中使用捕获组，仅将结果输入到第1组。

但是，有助于在R中提取捕获的组值的regexec函数不接受perl=TRUE参数，也不能在 stringr str_match / str_match_all。

此处使用分支重置最方便的方法是通过sub：

> p <- "(?s).*DATE \\d{2}/\\d{2}/\\d{4}(?|\"(.*)\".*|(.*))|.+" > x <- c("LAW Nº 1234/1998 - DATE 01/01/1998\"LAW TITLE HERE MAY CONTAIN 4|_|D4NUM3R!C OR P_NC7U@7|()N\".","LAW Nº 1234/1998 - DATE 01/01/1998LAW TITLE HERE MAY CONTAIN 4|_|D4NUM3R!C OR P_NC7U@7|()N", "Something that does not match") > sub(p, "\\1", x, perl=TRUE) [1] "LAW TITLE HERE MAY CONTAIN 4|_|D4NUM3R!C OR P_NC7U@7|()N" [2] "LAW TITLE HERE MAY CONTAIN 4|_|D4NUM3R!C OR P_NC7U@7|()N" [3] ""

请参阅regex demo和online R demo。

模式匹配字符串与我们的模式（即捕获到第1组）首先使用第一个外部分支，或者整个字符串如果没有我们感兴趣的模式将其完全删除为结果。

模式详情：

(?s) - 启用.以匹配换行符号

.* - 尽可能多地匹配任何0+字符直到最后

DATE \d{2}/\d{2}/\d{4} - DATE后跟一个空格，2位数，/，2位数，/，4位

(?|"(.*)".*|(.*)) - 分支重置组匹配

"(.*)".* - "，尽可能多的0个字符（第1组），"

| - 或

(.*) - 第1组捕获任何0+字符

| - 或

.+ - 只匹配一个非空字符串，任意一个或多个字符。

Answer 3

您可以在Results<FieldValue>中使用此正则表达式：

gsub

示例：

.+?DATE [0-9/]{10}|\"

这里，标题前的所有内容和所有双引号都被空字符串替换。

用于子字符串捕获的正则表达式，但子字符串可能会或可能不会被转义的双引号绑定

3 个答案: