使用正则表达式从 R 中的字符串中提取特定长度的数值

Question

看起来像一个重复的问题，但其他答案对我没有帮助。我正在尝试提取文本中的任何 8 位数字。该数字可以在文本中的任何位置。它可以是独立的，也可以是跟随或被字符串跟随。基本上，我需要从 R 中的字符串中提取任何出现的 8 个连续数字字符，仅使用正则表达式。

这是我尝试但无济于事的：

> my_text <- "the number 5849 and 5555555555 shouldn't turn up. but12345654 and 99119911 should be. let's see if 1234567H also works. It shouldn't. both 12345678JE and RG10293847 should turn up as well."

> ## this doesn't work
    > gsub('(\\d{8})', '\\1', my_text)
    [1] "the number 5849 shouldn't turn up. but12345654 and 99119911 should be. let's see if 1234567H also works. It shouldn't.both 12345678JE and RG10293847 should turn up as well."

我想要的输出应该提取以下数字：

12345654
99119911 
12345678
10293847

同时，如果答案包括第二个正则表达式，用于仅提取第一次出现的 8 位数字，我将不胜感激：

12345654

---

编辑：我有一个非常大的表（大约 2 亿行），我需要在一个列上对其进行操作。什么是最有效的解决方案？

编辑：我意识到我的文本案例中缺少案例。文本中还有一些数字长度超过 8 位，但我只想提取正好是 8 位的数字。

Answer 1

我们可以使用str_extract_all

stringr::str_extract_all(my_text, "\\d{8}")[[1]]
#[1] "12345654" "99119911" "12345678" "10293847"

---

同样，在基础 R 中，我们可以使用 gregexpr 和 regmatches

regmatches(my_text, gregexpr("\\d{8}", my_text))[[1]]

---

要获取最后8位数字，我们可以使用

sub('.*(\\d{8}).*', '\\1', my_text)
#[1] "10293847"

而对于第一个，我们可以使用

sub('.*?(\\d{8}).*', '\\1', my_text)
#[1] "12345654"

---

编辑

对于我们想要精确匹配 8 位（而不是更多）的更新案例，我们可以使用 str_match_all 并在后面进行否定查找

stringr::str_match_all(my_text, "(?<!\\d)\\d{8}(?!\\d)")[[1]][, 1]
#[1] "12345654" "99119911" "12345678" "10293847"

在这里，我们得到 8 位数字，后面没有数字。

一个简单的选项也可以是从字符串中提取所有数字并仅保留 8 位数字

v1 <- regmatches(my_text, gregexpr("\\d+", my_text))[[1]]
v1[nchar(v1) == 8]

Answer 2

我们可以更具体地这样做以避免任何极端情况

library(stringr)
str_extract_all(my_text, "(?<![0-9])[0-9]{8}(?![0-9])")[[1]]
#[1] "12345654" "99119911" "12345678" "10293847"

---

检查差异

v1 <- "hello8888882343, 888884399, 88888888, 8888888888"
str_extract_all(v1, "\\d{8}")
#[[1]]
#[1] "88888823" "88888439" "88888888" "88888888"

在这里，它提取大于8的连续数字的子字符串。根据OP的帖子，它必须留下

str_extract_all(v1,  "(?<![0-9])[0-9]{8}(?![0-9])")
#[[1]]
#[1] "88888888"