在R中用正则表达式拆分字符串

Question

我正在尝试根据特定模式拆分字符串。我有数据嵌套在大括号中。我想要做的是在双花括号处拆分字符串。我已经想出了如何在数据框中使用“分离”来做到这一点，但为了将来参考，我很想知道为什么这不起作用。

我在下面提供了一个关于单个字符串的示例：

pattern_test<-"[^\\}{2,2}]*\\}{2,2}"
teststring <- "{the {dog} is {hot}},{the {cat} is {lazy}}"
tmp<-unlist(str_extract_all(teststring, pattern_test))
tmp

tmp 计算结果为 ("hot}}", "lazy}}")。

换句话说，我在“pattern_test”中尝试做的是定义一个包含所有不完全是“}}”的字符的类：[^\\}{2,2}]，并在该类中找到尽可能多的字符：* ，后跟“}}”（方括号外：\\}{2,2}）。我怀疑我犯了一个基本错误，但我在网上找到的大多数示例都没有帮助我弄清楚错误是什么。我想要 tmp 评估的是：

("{the {dog} is {hot}}", ",{the {cat} is {lazy}}")。为什么子串在左括号处被截断？

Answer 1

问题是你不能匹配任何文本，只能将某个多字符子字符串与否定字符类匹配，因为字符类旨在将 single 个字符匹配为单独的字符，而不是 sequences 个字符。

另一个问题是您正在尝试匹配递归模式，而 stringr / stringi 包正在使用不支持正则表达式中的递归的 ICU 正则表达式库。

为了匹配你想要的，你只能使用带有 R 的 PCRE 正则表达式库：

pattern_test<-"\\{(?:[^{}]++|(?R))*}"
teststring <- "{the {dog} is {hot}},{the {cat} is {lazy}}"
unlist(regmatches(teststring, gregexpr(pattern_test, teststring, perl=TRUE)))
## => [1] "{the {dog} is {hot}}"  "{the {cat} is {lazy}}"

请参阅R demo online。那就是：

• \{ - 匹配 {
• (?:[^{}]++|(?R))* - 除了{ 和} 或整个正则表达式模式（递归）之外，一个或多个字符出现零次或多次
• } - } 字符。