Question

我正在尝试使用R的stringr package从tweet中提取twitter句柄。例如，假设我要获取向量中所有以“ A”开头的单词。我可以这样做

library(stringr)

# Get all words that begin with "A"
str_extract_all(c("hAi", "hi Ahello Ame"), "(?<=\\b)A[^\\s]+")

[[1]]
character(0)

[[2]]
[1] "Ahello" "Ame"

太好了。现在，让我们尝试使用“ @”代替“ A”

str_extract_all(c("h@i", "hi @hello @me"), "(?<=\\b)\\@[^\\s]+")

[[1]]
[1] "@i"

[[2]]
character(0)

为什么这个示例给出的结果与我预期的相反，我该如何解决？

Answer 1

您可能是说

str_extract_all(c("h@i", "hi @hello @me", "@twitter"), "(?<=^|\\s)@[^\\s]+")
# [[1]]
# character(0)
# [[2]]
# [1] "@hello" "@me" 
# [[3]]
# [1] "@twitter"

正则表达式中的\b是一个边界，它出现在“字符串中的两个字符之间，其中一个是单词字符，另一个不是单词字符”。 see here。由于空格和“ @”都是非单词字符，因此“ @”之前没有边界。

使用此修订版，您可以匹配字符串的开头或空格后的值。

Answer 2

关于正则表达式的几件事：

(?<=\b)与\b相同，因为单词边界已经是零宽度断言
\@与@相同，因为@不是特殊的正则表达式元字符，您不必逃避它
[^\s]+与\S+相同，几乎所有速记字符类在正则表达式中都具有相反的符号。

因此，您的正则表达式\b@\S+与@i中的h@i匹配，因为h（一个字母，一个字符char）和{{1 }}（非单词char，不是字母，数字或下划线）。选中this regex debugger。

@是一个含糊不清的模式，其含义取决于正则表达式上下文。在您的情况下，您可能想使用\b（非单词边界，即\B），它将与\B@\S+匹配，后者前面带有非单词char或在字符串的开头。

请参见regex demo。

如果您想摆脱这种x <- c("h@i", "hi @hello @me") regmatches(x, gregexpr("\\B@\\S+", x)) ## => [[1]] ## character(0) ## ## [[2]] ## [1] "@hello" "@me" / \b的歧义，请使用带有字符串方法的环视或带有\B参数的基本R regex函数来使用明确的单词边界：

perl=TRUE

其中：

regmatches(x, gregexpr("(?<!\\w)@\\S+", x, perl=TRUE)) regmatches(x, gregexpr("(?<!\\S)@\\S+", x, perl=TRUE))-一个明确的起始单词边界-是一个否定的后向含义，可确保在当前位置或字符串开头的左侧紧接有一个非单词char
(?<!\w)-空格开头的单词边界-是一个否定的向后查找，可确保在当前位置或字符串开头的左侧紧跟有一个空格字符。

请参见this regex demo和another regex demo here。

请注意，相应的右侧边界为(?<!\S)和(?!\w)。

Answer 3

上面的答案就足够了。万一您只想获取用户名，这将删除@符号。

str_extract_all(c("@tweeter tweet", "h@is", "tweet @tweeter2"), "(?<=\\B\\@)[^\\s]+")
[[1]]
[1] "tweeter"

[[2]]
character(0)

[[3]]
[1] "tweeter2"

虽然我不是regex的专家，但问题似乎可能是@符号与单词字符不对应，因此匹配单词开头的空字符串（\\b）确实可以不起作用，因为当@放在单词之前时没有空字符串。

如果您没有看到它们，这里有两个很棒的正则表达式资源：

stat545
Stringr's Regex page，也可以作为插图使用：

vignette("regular-expressions", package = "stringr")

R正则表达式-提取以@符号开头的单词

3 个答案: