如何使用正则表达式捕获科学记数法中的减号？

Question

我试图回答一个我认为是关于提取科学记数法的文本表示的问题（后来被删除）。 （使用 R 的正则表达式实现需要对元字符进行双重转义，并且可以在纯 PCRE 或 Perl 模式下使用，我不太了解它们之间的区别。）我已经解决了大部分任务，但似乎仍然未能在捕获组中捕获前导减号。我似乎让它成功的唯一方法是使用前导左括号：

> txt <- c("this is some random text (2.22222222e-200)", "other random (3.33333e4)", "yet a third(-1.33333e-40)", 'and a fourth w/o the "e" (2.22222222-200)')
> sub("^(.+\\()([-+]{0,1}[0-9][.][0-9]{1,16}[eE]*[-+]*[0-9]{0,3})(.+$)", "\\2" ,txt)
[1] "2.22222222e-200" "3.33333e4"       "-1.33333e-40"    "2.22222222-200" 

> sub("^(.+\\()([-+]?[0-9][.][0-9]{1,16}[eE]*[-+]*[0-9]{0,3})(.+$)", "\\2" ,txt)
[1] "2.22222222e-200" "3.33333e4"       "-1.33333e-40"    "2.22222222-200" 
 #but that seems to be "cheating" ... my failures follow:

> sub("^(.+)([-+]?[0-9][.][0-9]{1,16}[eE]*[-+]*[0-9]{0,3})(.+$)", "\\2" ,txt)
[1] "2.22222222e-200" "3.33333e4"       "1.33333e-40"     "2.22222222-200" 
> sub("^(.+)(-?[0-9][.][0-9]{1,16}[eE]*[-+]*[0-9]{0,3})(.+$)", "\\2" ,txt)
[1] "2.22222222e-200" "3.33333e4"       "1.33333e-40"     "2.22222222-200" 
> sub("^(.+)(-*[0-9][.][0-9]{1,16}[eE]*[-+]*[0-9]{0,3})(.+$)", "\\2" ,txt)
[1] "2.22222222e-200" "3.33333e4"       "1.33333e-40"     "2.22222222-200" 

我已经在耐心的范围内搜索了诸如“科学记数法正则表达式减号”之类的术语

Answer 1

你可以试试

 library(stringr)
 unlist(str_extract_all(txt, '-?[0-9.]+e?[-+]?[0-9]*'))
 #[1] "2.22222222e-200" "3.33333e4"       "-1.33333e-40"    "2.22222222-200" 

使用基于前括号后捕获的方法

 str_extract(txt, '(?<=\\()[^)]*')
 #[1] "2.22222222e-200" "3.33333e4"       "-1.33333e-40"    "2.22222222-200" 

Answer 2

理由是“(.+)”第一个捕获组的“贪婪”能力吞噬了第二个捕获组中可选的减号，我用否定终止了第一个捕获组-字符级，现在已经成功。这看起来仍然很笨重，希望有更优雅的东西。在搜索中看到似乎暗示有“&real_number”>

的正则表达式定义的 Python 代码

> sub("^(.+[^-+])([-+]?[0-9][.][0-9]{1,16}[eE]*[-+]*[0-9]{0,3})(.+$)", "\\2" ,txt,perl=TRUE)
[1] "2.22222222e-200" "3.33333e4"       "-1.33333e-40"    "2.22222222-200" 

查看 str_extract_all 中使用 substr 提取匹配项的代码后，我现在认为我应该选择 gregexpr-regmatches 范式而不是选择三捕获组策略的中间选择：

> hits <- gregexpr('[-+]?[0-9][.][0-9]{1,16}[eE]*[-+]*[0-9]{0,3}', txt)
> ?regmatches
> regmatches(txt, hits)
[[1]]
[1] "2.22222222e-200"

[[2]]
[1] "3.33333e4"

[[3]]
[1] "-1.33333e-40"

[[4]]
[1] "2.22222222-200"

Answer 3

这似乎可行，并且与 IP 地址不匹配：

sub("^.*?([-+]?\\d+(?:\\.\\d*)*(?:[Ee]?[-+]?\\d+)?).*?$", "\\1", txt)
[1] "2.22222222e-200" "3.33333e4"       "-1.33333e-40"    "2.22222222-200"

奇怪的是，这不是我开始使用的正则表达式。当尝试一个不起作用时，我想我会回去在 Perl 中测试：

my @txt = (
  "this is some random text (2.22222222e-200)",
  "other random (3.33333e4)",
  "yet a third(-1.33333e-40)" ,
  'and a fourth w/o the "e" (2.22222222-200)');

map { s/^.*?[^-+]([-+]?\d+(?:\.\d*)*(?:[Ee]?[-+]?\d+)?).*?$/$1/ } @txt;

print join("\n", @txt),"\n";

看起来不错：

2.22222222e-200
3.33333e4
-1.33333e-40
2.22222222-200

所以相同的正则表达式应该在 R 中工作，对吧？

sub("^.*?[^-+]([-+]?\\d+(?:\\.\\d*)*(?:[Ee]?[-+]?\\d+)?).*?$", "\\1", txt)
[1] "0" "4" "0" "0"

显然不是。我什至通过使用new RegExp("...") 在 Javascript 中尝试确认双引号字符串是正确的，并且它在那里也可以正常工作。不确定 R 有什么不同，但删除否定符号字符类就可以了。