完成工作

Question

我正在R中进行一些文本争论，对于特定的提取，我需要使用捕获组。出于某种原因，我熟悉的基本/字符串函数似乎不支持捕获组：

str_extract("abcd123asdc", pattern = "([0-9]{3}).+$") 
# Returns: "123asdc"

stri_extract(str = "abcd123asdc", regex = "([0-9]{3}).+$")
# Returns: "123asdc"

grep(x = "abcd123asdc", pattern = "([0-9]{3}).+$", value = TRUE)
# Returns: "abcd123asdc"

通常谷歌搜索＆＃34; R捕获组正则表达式＆＃34;没有为此问题的解决方案提供任何有用的点击。我错过了什么，或者是R中没有实现的捕获组？

编辑：所以在尝试解决方案中建议的解决方案之后，它就是一个小例子，它对我的情况失败了。

请注意，这是来自enron电子邮件数据集的文本，因此不包含敏感信息。

txt <- "Message-ID: <24216240.1075855687451.JavaMail.evans@thyme>
Date: Wed, 18 Oct 2000 03:00:00 -0700 (PDT)
From: phillip.allen@enron.com
To: leah.arsdall@enron.com
Subject: Re: test
Mime-Version: 1.0
Content-Type: text/plain; charset=us-ascii
Content-Transfer-Encoding: 7bit
X-From: Phillip K Allen
X-To: Leah Van Arsdall
X-cc: 
X-bcc: 
X-Folder: \\Phillip_Allen_Dec2000\\Notes Folders\\sent mail   
X-Origin: Allen-P
X-FileName: pallen.nsf

test successful.  way to go!!!"

sub("X-FileName:.+\n\n([\\W\\w]+)$", "\\1", txt)
# Returns all of "txt", not the capture group

由于我们只有一个捕获组，因此不应该使用＆＃34; \ 1＆＃34;抓住它？我用在线正则表达式测试器测试了正则表达式，它应该正常工作。还尝试了\ n和\ n用于换行。有什么想法吗？

Answer 1

完成工作

您可以始终使用str_match或str_match_all stringr 提取捕获组：

> result <- str_match(txt, "X-FileName:.+\n\n(?s)(.+)$")
> result[,2]
[1] "test successful.  way to go!!!"

模式详情：

X-FileName: - 文字子字符串
.+ - 换行以外的任何1个字符（因为在ICU正则表达式中，点与换行符不匹配）
\n\n - 2个换行符号
(?s) - 一个内联DOTALL修饰符（现在，右边出现的.将与换行符匹配）
(.+) - 第1组捕获任何1个字符（包括换行符）至
$ - 字符串的结尾。

或者您可以将基础R regmatches与regexec：

一起使用

> result <- regmatches(txt, regexec("X-FileName:[^\n]+\n\n(.+)$", txt))
> result[[1]][2]
[1] "test successful.  way to go!!!"

请参阅online R demo。这里使用TRE正则表达式（使用regexec，遗憾的是不能使用PCRE正则表达式），因此.将匹配任何字符，包括换行符，因此，模式看起来像X-FileName:[^\n]+\n\n(.+)$：

X-FileName: - 文字字符串
[^\n]+ - 除了换行符之外的1个字符
\n\n - 2个换行符
(.+) - 任意1个字符（包括换行符），尽可能多，
$ - 字符串的结尾。

还可以考虑sub选项：

sub(".*X-FileName:[^\n]+\n\n", "", txt)
[1] "test successful.  way to go!!!"

见this R demo。在这里，.*匹配任何0+字符，尽可能多（所有字符串），然后回溯以查找X-FileName:子字符串，[^\n]+匹配除换行符之外的1 +字符，然后\n\n匹配2个换行符。

比较绩效

考虑到hwnd's comment，我在上面添加了基于sub选项的TRE正则表达式，它似乎是建议的所有4个选项中最快的，str_match几乎和我上面一样快sub代码：

library(microbenchmark)

f1 <- function(text) { return(str_match(txt, "X-FileName:.+\n\n(?s)(.+)$")[,2]) }
f2 <- function(text) { return(regmatches(txt, regexec("X-FileName:[^\n]+\n\n(.+)$", txt))[[1]][2]) }
f3 <- function(text) { return(sub('(?s).*X-FileName:[^\n]+\\R+', '', txt, perl=TRUE)) }
f4 <- function(text) { return(sub('.*X-FileName:[^\n]+\n\n', '', txt)) }

> test <- microbenchmark( f1(txt), f2(txt), f3(txt), f4(txt), times = 500000 )
> test
Unit: microseconds
    expr    min     lq     mean median     uq       max neval  cld
 f1(txt) 21.130 24.451 28.08150 27.168 28.677 53796.565 5e+05  b  
 f2(txt) 29.280 32.903 37.46800 35.318 37.431 54556.635 5e+05   c 
 f3(txt) 57.655 59.466 63.36906 60.674 61.881  1651.448 5e+05    d
 f4(txt) 22.036 23.545 25.56820 24.451 25.356  1660.504 5e+05 a

用于正则表达式捕获组的R函数是什么？

1 个答案:

完成工作

比较绩效