gsub 的正则表达式匹配行直到和通过换行符 \n 字符答案

【问题标题】：Regex for gsub to match line until and through newline \n charactergsub 的正则表达式匹配行直到和通过换行符 \n 字符
【发布时间】：2019-05-22 06:26:21
【问题描述】：

尝试为 R gsub 构建一个正则表达式，以通过要删除的换行符匹配字符串。

示例字符串：

text <- "categories: crime, punishment, france\nTags: valjean, javert,les mis\nAt the end of the day, the criminal Valjean escaped once more."

理想的结果是 gsub 替换前两个文本块，这样剩下的就是后面的文本。

最终，罪犯冉阿让再次逃脱。

摆脱类别和标签。

这是我正在使用的模式：

^categor*.\n{1}

它应该匹配行的开头，单词片段之后的所有内容，直到它到达第一个换行符，但它只匹配片段。我做错了什么？

而且，有没有比两个 gsub 更好的方法来解决这个问题？

【问题讨论】：

预期的输出是最后一个换行符之后的内容？你能发布你想要的作为示例字符串的输出吗？
是这个吗：sub(".*\\n([^\n]*$)", "\\1", text)?

标签： r regex gsub

【解决方案1】：

1) 这里有一些问题，所以第一个选项删除了前两行：

sub("^categor([^\n]*\n){2}", "", text)
## [1] "At the end of the day, the criminal Valjean escaped once more."

如果categor 部分无关紧要，那么这样做：

tail(strsplit(text, "\n")[[1]], -2)
## [1] "At the end of the day, the criminal Valjean escaped once more."

2) 如果想要删除...:....\n 形式的任何行，其中每行冒号前的字符必须是单词字符：

gsub("\\w+:[^\n]+\n", "", text)
## [1] "At the end of the day, the criminal Valjean escaped once more."

或

gsub("\\w+:.+?\n", "", text)
## [1] "At the end of the day, the criminal Valjean escaped once more."

或

grep("^\\w+:", unlist(strsplit(text, "\n")), invert = TRUE, value = TRUE)
## [1] "At the end of the day, the criminal Valjean escaped once more."

3) 或者如果我们想删除只有特定标签的行：

gsub("(categories|Tags):.+?\n", "", text)
## [1] "At the end of the day, the criminal Valjean escaped once more."

4)如果您还想捕获标签，使用read.dcf 可能也很有趣。

s <- unlist(strsplit(text, "\n"))
ix <- grep("^\\w+:", s, invert = TRUE)
s[ix] <- paste("Content", s[ix], sep = ": ")
out <- read.dcf(textConnection(s))

给出这个 3 列矩阵：

> out
     categories                  Tags                     
[1,] "crime, punishment, france" "valjean, javert,les mis"
     Content                                                         
[1,] "At the end of the day, the criminal Valjean escaped once more."

【讨论】：

tail(., -2) 不是tail(., 1) 更直观吗？
仅当只需要最后一行时。我认为除了前两个之外的所有内容都需要，这在本示例中是相同的，但可能不是。
谢谢！解决方案 2 正是我想要的。

【解决方案2】：

试试这个（换行符与\\n匹配：

gsub("^categor.*\\n",  "", text)
# [1] "At the end of the day, the criminal Valjean escaped once more."

【讨论】：

【解决方案3】：

也许是下面的正则表达式：

sub("^categor.*\\n([^\n]*$)", "\\1", text)
#[1] "At the end of the day, the criminal Valjean escaped once more."

【讨论】：

【解决方案4】：

无需使用[^\n]，因为您可以仅使用. 来匹配除换行符之外的任何内容。请注意，您需要将 (?n) 修饰符与 TRE 一起使用（默认正则表达式引擎使用 (g)sub/(g)regexpr），并且使用 perl=TRUE，这是默认的 . 行为：

text <- "categories: crime, punishment, france\nTags: valjean, javert,les mis\nAt the end of the day, the criminal Valjean escaped once more."
sub("(?n)^categor(?:.*\n){2}", "", text)
sub("^categor(?:.*\n){2}", "", text, perl=TRUE)

这里，如果字符串以categor 开头，则删除前两行。

请参阅R demo online。

模式详情

^ - 字符串锚的开始
categor - 文字子串
(?:.*\n){2} - 恰好连续出现 2 次 ({2}) 任何字符，但换行符 (.) 零次或多次 (*) 后跟一个 LF 字符。

【讨论】：