R中的正则表达式：有效地提取模式之前的文本和模式之后的数字答案

【问题标题】：Regex in R: efficiently extracting text before pattern and number immediatelly after patternR中的正则表达式：有效地提取模式之前的文本和模式之后的数字
【发布时间】：2021-06-06 22:33:00
【问题描述】：

假设在 R 中，我有许多由单词和数字混合组成的字符串，有一个共同点：在所有字符串中，总是有一个模式 zzzz 后跟一个空格，然后是一些未知数字。

例如：

x <- "many words, some number like 908, then zzzz 145 and some other numbers like 377 and so on"

然后，我要做的是提取 both 重复模式 zzzz 之后的数字，以及它之前的文本。

跟着@987654321@，我知道如何提取模式后面的数字了：

regmatches(x, gregexpr("zzzz \\K\\d+", x, perl=TRUE))

返回"145"，上面有x 示例。我试图找到的是最有效的方式（因为我有数百万个字符串要评估）来检索模式之后的数字以及它之前的内容，这意味着返回向量：

"many words, some number like 908, then " "145"

在 R 中实现这一目标的最有效方法是什么？

【问题讨论】：

标签： r regex gsub

【解决方案1】：

我们可以提取两组数据。

zzzz 模式之前的所有内容
数字后跟zzzz。

strcapture('(.*) zzzz (\\d+)', x, list(col1 = character(), col2 = numeric()))

#                                    col1 col2
#1 many words, some number like 908, then  145

【讨论】：

谢谢！我很抱歉，只是澄清一下：模式之前并不总是有一个数字。所以我认为这可以进一步简化，对吧？
好的，这真的很好用，谢谢。出于学习目的的一个好奇心：（如果值得提出一个新问题，请告诉我，我会发布它）：是否可以将该解决方案用于不止一个模式检查？我的意思是，假设在不同的字符串中有zzzz 和xyz 在所需的数字之前。我可以用'(.*) zzzz (\\d+) | (.*) xyz (\\d+)'. But here, that understandably throws the error The number of captures in 'pattern' != 'length(proto)'` 来找到这些数字。
您可以使用此模式将第二个模式设为可选：'(.*) zzzz (?:xyz\\s)?(\\d+)' 所以这里'xyz\\s' 是可选的非捕获组。

【解决方案2】：

这是使用strsplit 和sub 的基本R 选项：

x <- "many words, some number like 908, then zzzz 145 and some other numbers like 377 and so on"
parts <- strsplit(x, "\\bzzzz\\s+")[[1]]
parts[2] <- sub("\\s+.*$", "", parts[2])
parts

[1] "many words, some number like 908, then "
[2] "145"

【讨论】：