Question

我有文字数据（讲故事），我的目的是提取由共现模式定义的某些单词，即它们出现在重叠之前，并用方括号表示。数据是这样的：

who <- c("Sue:", NA, "Carl:", "Sue:", NA, NA, NA, "Carl:", "Sue:","Carl:", "Sue:","Carl:")
story <- c("That’s like your grand:ma. did that with::=erm          ",
       "with Ju:ne (.) once or [ twice.]                        ",
       "                       [ Yeah. ]                        ",
       "And June wanted to go out and yo- your granny said (0.8)",
       "“make sure you're ba(hh)ck before midni(hh)ght.”        ",
       "[Mm.]                                                   ",
       "[There] she was (.) a ma(h)rried woman with a(h)-       ",
       "She’s a right wally.                                    ",
       "mm [kids  as well ]                                     ",
       "   [They    assume] an awful lot man¿                   ",
       "°°ye:ah,°°                                              ",
      "°°the elderly do.°°                                      ")
CAt <- data.frame(who, story)

现在，定义模式：

pattern <- "\\w.*\\s\\[[^]].*]"

并使用grep（）：

grep(pattern, CAt$story, value = T)
[1] "with Ju:ne (.) once or [ twice.]                        "
[2] "mm [kids  as well ]                                     "

我得到了目标匹配的两个字符串，但是我真正追求的只是目标词，在这种情况下是“ or”和“ mm”。在我看来，这似乎需要积极向前。所以我这样重新定义了模式：

pattern <- "\\w.*(?=\\s\\[[^]].*])"

大致说：“如果您看到一个空格，然后在方括号后加上一个包含该内容的内容，则匹配该单词”。现在，仅提取精确匹配项，我通常使用以下代码，只要不涉及环顾四周，该代码就可以正常工作，但是这里会引发错误：

unlist(regmatches(CAt$story, gregexpr(pattern, CAt$story)))
Error in gregexpr(pattern, CAt$story) : 
invalid regular expression, reason 'Invalid regexp'

这是为什么？以及如何提取精确匹配？

Answer 1

在您的代码中，您可以将perl=TRUE添加到gregexpr。

在您的模式\w.*中，将匹配一个单词char，然后匹配0次以上的任何char。

这部分\[[^]].*]将匹配[，然后是1个非]的字符，然后是.*，它将匹配0+次以上的任何字符，后跟{{1} }。

您可以将模式更新为重复单词char和字符类本身。

说明

\w+(?=\s\[[^]]*])匹配1个以上的字符字符
\w+正向前进，断言直接在右边的是
- (?=匹配单个空格字符
- \s使用negated character class匹配从打开\[[^]]*]到关闭[
]积极回望

Regex demo

使用双反斜杠：

作为替代方案，您可以使用捕获组，而不使用先行

\\w+(?=\\s\\[[^]]*])

Regex demo

从带有R中环顾四周的字符串中提取匹配项

1 个答案: