在短语之前提取文本 - 正则表达式 R答案

【问题标题】：Pull out text before phrase - Regex R在短语之前提取文本 - 正则表达式 R
【发布时间】：2021-02-16 10:20:31
【问题描述】：

我希望在R 中使用正则表达式提取出现在一组短语之前的文本。

示例短语c("PHRASE1", "PHRASE2", "PHRASE3")。

示例文本：

*NAME ALPHA PHRASE1 BLA BLA TEXT 81249
*NAME BETA PHRASE1 BLA BLA 81229
*NAME GAMMA PHRASE2 BLA BLA TEXT 85129
*NAME DELTA PHRASE3 BLA BLA 86129
*NAME EPSILON PHRASE2 BLA BLA 81729

我想拉出下面的c("NAME ALPHA", "NAME BETA", "NAME GAMMA")等等（忽略*）。

正则表达式 101 链接：https://regex101.com/r/Fzinr8/1

初步尝试

(!\*)q+(?=PHRASE1)

在R:

str_extract(x, "(!\*)q+(?=PHRASE1)")

【问题讨论】：

您的模式中的q 是什么？ !\* 匹配 !* 字符串，你的字符串中没有它。请注意，您需要在常规字符串文字中使用双反斜杠来定义文字反斜杠（正则表达式转义部分）
对不起，我对正则表达式很陌生
但是你知道q 匹配q 字符吗？你什么意思？在* 之后开始尽可能少地匹配任何类型的字符？还是空格分隔的单词序列？
我试图在PHRASE1开始之前提取所有字符，所以我想要所有字符q所以我把+
试试这个正则表达式：(?<=\*).*?(?=\s(?:PHRASE1|PHRASE2|PHRASE3))

标签： r regex stringr

【解决方案1】：

将我的评论转换为答案，以便将来的访问者轻松找到解决方案。

您可以通过后向和前瞻来使用此正则表达式：

str_extract(x, '(?<=\\*).*?(?=\\s(?:PHRASE1|PHRASE2|PHRASE3))');

RegEx Demo

正则表达式详细信息：

(?<=\\*)：断言我们在之前的位置有一个*
.*?：匹配 0 个或多个任意字符（惰性匹配）
(?=\\s(?:PHRASE1|PHRASE2|PHRASE3))：正向前瞻断言我们在当前位置前面有一个空格，后跟(?:PHRASE1|PHRASE2|PHRASE3)

【讨论】：

【解决方案2】：

stringr 解决方案

你可以使用

x<-c("*NAME ALPHA PHRASE1 BLA BLA TEXT 81249","*NAME BETA PHRASE1 BLA BLA 81229","*NAME GAMMA PHRASE2 BLA BLA TEXT 85129","*NAME DELTA PHRASE3 BLA BLA 86129","*NAME EPSILON PHRASE2 BLA BLA 81729")
library(stringr)
context <- c("PHRASE1", "PHRASE2", "PHRASE3")
str_match(x, paste0("\\*(.*?)\\s+(?:", paste(context, collapse="|"), ")"))[,2]
# => [1] "NAME ALPHA"   "NAME BETA"    "NAME GAMMA"   "NAME DELTA"   "NAME EPSILON"

请参阅regex demo。

详情

\* - 一个 * 字符
(.*?) - 第 1 组（在 str_match 和 [,2] 之后访问）：除换行符之外的任何零个或多个字符尽可能少
\s+(?:PHRASE1|PHRASE2|PHRASE3) - 1 个或多个空格和一个上下文字符串。

基础 R 解决方案：

x<-c("*NAME ALPHA PHRASE1 BLA BLA TEXT 81249","*NAME BETA PHRASE1 BLA BLA 81229","*NAME GAMMA PHRASE2 BLA BLA TEXT 85129","*NAME DELTA PHRASE3 BLA BLA 86129","*NAME EPSILON PHRASE2 BLA BLA 81729")
context <- c("PHRASE1", "PHRASE2", "PHRASE3")
pattern <- paste0("\\*\\K.*?(?=\\s+(?:", paste(context, collapse="|"), "))")
regmatches(x, regexpr(pattern, x, perl=TRUE))
## => [1] "NAME ALPHA"   "NAME BETA"    "NAME GAMMA"   "NAME DELTA"   "NAME EPSILON"

请参阅R demo online。请注意，此方法需要 PCRE 正则表达式才能工作，因此 perl=TRUE 参数是强制性的。

\K PCRE 构造省略了到目前为止与当前匹配内存缓冲区匹配的文本。 (?=...) 构造是一个正向前瞻，它匹配字符串中的某个位置（这就是为什么它被称为零宽度断言），紧随其后的是前瞻模式。

【讨论】：

【解决方案3】：

替换为strsplit()，然后删除尾随空格

代码

  sapply(str2, function(z){
    # remove * and whitespaces
    gsub("[*]|\\s+$", "", 
    # split by phrase and choose part of interest
    sapply(strsplit(str1, z)[grepl(z, str1)], "[[", 1))
   })
    
# $PHRASE1
# [1] "NAME ALPHA" "NAME BETA" 

# $PHRASE2
# [1] "NAME GAMMA"   "NAME EPSILON"

# $PHRASE3
# [1] "NAME DELTA"

数据

str1 <- c("*NAME ALPHA PHRASE1 BLA BLA TEXT 81249",
"*NAME BETA PHRASE1 BLA BLA 81229",
"*NAME GAMMA PHRASE2 BLA BLA TEXT 85129",
"*NAME DELTA PHRASE3 BLA BLA 86129",
"*NAME EPSILON PHRASE2 BLA BLA 81729")

str2 <- c("PHRASE1", "PHRASE2", "PHRASE3")

【讨论】：