仅提取与 R 中的正则表达式模式匹配的字符串部分答案

【问题标题】：Extract just the part of string that matches a regex pattern in R仅提取与 R 中的正则表达式模式匹配的字符串部分
【发布时间】：2016-08-12 17:31:19
【问题描述】：

我构建了一个从网页中自动废弃的数据框，其中一个变量是文本形式“5 月 12 日”中的日期。

尽管如此，有时观察结果会在日期之后附加一些字符（在某些情况下是奇怪的字符），例如：“May 20 õ”、“Dez 1”、“Oct 12ABCdáé”。对于这些情况，我想用正确的字符替换该值，例如：“Dec 24”、“Oct 1”。

在多次谷歌搜索解决方案并尝试以下功能后：sub、gsub 和 grep，我找不到找到正确功能的方法。

我看到正则表达式的学习曲线很陡峭，但在使用工具http://regexr.com/ 之后，我可以定义正则表达式以匹配出现问题的观察中的模式。 ([A-Z]{1}[a-z]{2})\s\d+.*

此时，我有以下示例：

vector = c("May 20", "Dez 1", "Oct 12ABCdáé”)

我尝试的最后一个解决方案是：

dateformat = gsub(pattern = "([A-Z]{1}[a-z]{2})\\s\\d+.*", replacement = "([A-Z]{1}[a-z]{2})\\s\\d+", x = vector)

当然，这给了我一个替换为每个文本字符串“([A-Z]{1}[a-z]{2})\s\d+”。

> dateformat
[1] "([A-Z]{1}[a-z]{2})sd+" "([A-Z]{1}[a-z]{2})sd+"
[3] "([A-Z]{1}[a-z]{2})sd+"

我真的不明白我必须在替换参数中包含什么才能删除坏字符（如果它们存在）。

【问题讨论】：

regexr 还具有替换功能。 replacement = ... 也可以这样测试。
正则表达式用于搜索文本。正则表达式不打算在替换模式中使用。您可以使用regexpr 来获取匹配的字符串。
如果你的最终目标是约会，as.Date(c("May 20", "Dec 1", "Oct 12ABCdáé"), "%B %d") 会不会很简单？注意：我不知道是拼写错误还是特殊字符。另外，如果您不通过年份， as.date 会考虑当前年份

【解决方案1】：

我添加了一个捕获组和一个反向引用"\\1"：

sub("^([A-Z]{1}[a-z]{2}\\s\\d+).*", "\\1", vector)
[1] "May 20" "Dez 1"  "Oct 12"

替换参数接受像'\\1' 这样的反向引用，但不接受您使用的典型正则表达式模式。反向引用引用您创建的模式和您定义的捕获组。在这种情况下，我们的捕获组是缩写的月份和日期，我们用附注列出了 (..)。当"\\1" 被放置在替换参数中时，在这些括号内捕获的任何文本都会返回。

这个quick-start guide 可能会有所帮助

【讨论】：

【解决方案2】：

我们也可以试试

sub("\\s*[^0-9]+$", "", vector)
#[1] "May 20" "Dez 1"  "Oct 12"

【讨论】：