带有长表达式的 R 正则表达式答案

【问题标题】：R regex lookbehind with a long expression带有长表达式的 R 正则表达式
【发布时间】：2020-02-24 00:38:16
【问题描述】：

我有一个来自 pdf 提取的长字符。下面是一个 MWE：

MWE <- "4 BLABLA\r\n Table 1. Real GDP\r\n Percentage changes\r\n 2016 2017 \r\nArgentina -2.5 2.7\r\nAustralia 2.6 2.5\r\n BLABLA \r\n Table 2. Nominal GDP\r\n Percentage changes\r\n 2011 2012\r\nArgentina 31.1 21.1\r\nAustralia 7.7 3.3\r\n"

我想把它分成一个列表，每个元素都是一个表格。 I can do that 与：

MWE_1 <- as.list(strsplit(MWE, "(?<=[Table\\s+\\d+\\.\\s+(([A-z]|[ \t]))+\\r\\n])"))

> MWE_1
[[1]]
[1] "4 BLABLA\r\n "                                                                                 
[2] " Percentage changes\r\n 2016 2017 \r\nArgentina -2.5 2.7\r\nAustralia 2.6 2.5\r\n BLABLA 5\r\n "
[3] " Percentage changes\r\n 2011 2012\r\nArgentina 31.1 21.1\r\nAustralia 7.7 3.3\r\n"

但我想保留分隔符，这是一个非常长的正则表达式。我看了一点，似乎一个不错的方法是尝试lookbehinds。但是，我不知道如何连接我的长正则表达式。例如，
MWE_2 <- as.list(strsplit(MWE, "(?<=[Table\\s+\\d+\\.\\s+(([A-z]|[ \t]))+\\r\\n])"))

产生错误：

invalid regular expression '(?<=[Table\s+\d+\.\s+(([A-z]|[  ]))+\r\n])', reason 'Invalid regexp'

如何以紧凑的方式做到这一点？

另外，有没有不保留第一个元素的直接方法？

【问题讨论】：

你写 我可以用 : MWE_1 <- … 做到这一点，但这与 MWE_2 <- … 的表达方式完全相同，而且 会产生错误，所以你不能用这个表达式做任何事情，尤其是没有收到你为MWE_1显示的结果。
感谢您的意见，但您尝试过吗？这实际上是我得到的（我添加了我得到的截图）。从给出的答案来看，我猜是在 R 中，后视和前瞻在其标准形式中没有被考虑在内，这就是为什么您需要指定 prel=TRUE 选项，然后使用 ?= 。我不清楚为什么它不适用于?<=，但没有它我仍然可以做我想做的事。
是的，我试过了。您在屏幕截图中显示的表达式（不是以(?<=[ 开头）与您在问题文本中给出的表达式不同。

标签： r regex string split

【解决方案1】：

尝试前瞻并简化您正在寻找的内容：

提供了 R 特定的字符串转义。

(?=Table \\d+\\.)

确保启用perl=TRUE

https://regex101.com/r/Cpyu6k/1

【讨论】：

要么我尝试 MWE_1 <- as.list(strsplit(MWE, "(?=Table \d+\.)")) 并得到这个错误：Error: '\d' is an unrecognized escape in character string starting ""(?=Table \d" 要么尝试使用双 \\ 如MWE_1 <- as.list(strsplit(MWE, "(?=Table \\d+\\.)"))` 并得到另一个错误@ 987654329@\d+\.)'，原因'无效的正则表达式'`
@AnthonyMartin 抱歉，我不熟悉 R 语言。您应该始终根据您的环境规则转义字符串。根据您问题中的代码示例，(?=Table \\d+\\.) 应该可以工作。
@AnthonyMartin 这是 R 的在线正则表达式测试器，当根据我的最后评论转义反斜杠时，它似乎可以正常工作。 spannbaueradam.shinyapps.io/r_regex_tester
不幸的是它仍然不起作用，我的问题与我在第一条评论中提到的第二个错误相同。它似乎也不适用于您提供的网站 - 或者我遗漏了一些明显的东西？
@AnthonyMartin 尝试根据stackoverflow.com/a/21493089/2191572启用perl=TRUE

【解决方案2】：

我不清楚为什么它不适用于?<= ...

Regular Expressions as used in R 这么说（你有 重复量词 + 在模式中）：

模式 (?<=...) 和 (?<!...) 是后向模式等价物：它们不允许重复量词，也不允许\C 在...。

我仍然对这 5 个元素有疑问，而不是开始了解原因，

> MWE_2
[[1]]
[1] "4 BLABLA\r\n"
[2] " "
[3] "Table 1. Real GDP\r\n Percentage changes\r\n 2016 2017\r\nArgentina -2.5 2.7\r\nAustralia 2.6 2.5\r\n BLABLA \r\n"
[4] " "
[5] "Table 2. Nominal GDP\r\n Percentage changes\r\n 2011 2012\r\nArgentina 31.1 21.1\r\nAustralia 7.7 3.3\r\n"

但我可以在之后删除空元素……

索引 [2] 和 [4] 上没有 空元素 - 这些元素包含一个空格。这是因为strsplit(MWE, "(?= Table \\d+\\.)", perl=TRUE) 中的模式匹配长度为零的分隔符，因为它只包含一个零宽度的正向超前断言并且没有实际的分隔符项； strsplit 如果严格遵循其记录的算法，将进入无限循环

重复{
        如果字符串为空
            休息。
        如果有比赛
            将匹配左侧的字符串添加到输出。
            删除匹配项及其左侧的所有内容。
        别的
            将字符串添加到输出。
            休息。
    }

- 但在其代码中有这种特殊处理：

            /* Match was empty. */
            pt[0] = *bufp;
            pt[1] = '\0';
            bufp++;

这会导致返回 空匹配 位置的一个字符（在您的情况下为空格），并在其后继续搜索。

解决方案很简单：不要只使用零宽度断言作为模式；相反，通过将分隔空间移出断言来稍微改变它：

strsplit(MWE, " (?=Table \\d+\\.)", perl=TRUE)

【讨论】：