以任意顺序提取 2 个单词

Question

我想按任意顺序提取猫和狗

string1 <- "aasdfadsf cat asdfadsf dog"
string2 <- "asfdadsfads dog asdfasdfadsf cat"

我现在提取的是猫和狗，还有中间的文字

stringr::str_extract(string1, "cat.*dog|dog.*cat"

我希望输出是

cat dog

和

dog cat

分别用于string1和string2

Answer 1

您可以将sub 与以下 PCRE 正则表达式一起使用：

.*(?|(dog).*(cat)|(cat).*(dog)).*

请参阅regex demo。

详情

• .* - 除换行符之外的任何 0+ 字符（要匹配所有字符，请在模式开始处添加 (?s)）
• (?|(dog).*(cat)|(cat).*(dog)) - 一个分支重置组 (?|...|...) 匹配两个备选方案之一：
  • (dog).*(cat) - 第 1 组捕获 dog，然后是尽可能多的 0+ 个字符，第 2 组捕获 cat
  • | - 或
  • (cat).*(dog) - 第 1 组捕获 cat，然后尽可能多的任何 0+ 字符，第 2 组捕获 dog（在分支重置组中，组 ID 重置为组 + 1 之前的值）
• .* - 除换行符以外的任何 0+ 个字符

\1 \2 替换模式将第 1 组和第 2 组值插入到结果字符串中（因此结果只是dog 或cat、一个空格和一个cat 或dog）。

也见an R demo online：

x <- c("aasdfadsf cat asdfadsf dog", "asfdadsfads dog asdfasdfadsf cat")
sub(".*(?|(dog).*(cat)|(cat).*(dog)).*", "\\1 \\2", x, perl=TRUE)
## => [1] "cat dog" "dog cat"

若要在不匹配的情况下返回NA，请使用正则表达式匹配特定模式或整个字符串，并将其与gsubfn 一起使用以应用自定义替换逻辑：

> gsubfn("^(?:.*((dog).*(giraffe)|(giraffe).*(dog)).*|.*)$", function(x,a,b,y,z,i) ifelse(nchar(x)>0, paste0(a,y," ",b,z), NA), x)
[1] "NA" "NA"
> gsubfn("^(?:.*((dog).*(cat)|(cat).*(dog)).*|.*)$", function(x,a,b,y,z,i) ifelse(nchar(x)>0, paste0(a,y," ",b,z), NA), x)
[1] "cat dog" "dog cat"

这里，

• ^ - 字符串的开头 anchor
• (?:.*((dog).*(cat)|(cat).*(dog)).*|.*) - non-capturing group 匹配以下两种选择中的任何一种： .*((dog).*(cat)|(cat).*(dog)).*:
  • .* - 尽可能多的任何 0+ 个字符
  • ((dog).*(cat)|(cat).*(dog)) - 一个 capturing group 匹配两个选项之一：
    • (dog).*(cat) - dog（第 2 组，分配给 a 变量），任意 0+ 个字符尽可能多，然后 cat（第 3 组，分配给 b 变量）
    • |
    • (cat).*(dog) - dog（第4组，分配给y变量），任意0+个字符尽可能多，然后cat（第5组，分配给z变量）
  • .* - 任何 0+ 字符尽可能多
    • | - 或
    • .* - 任何 0+ 个字符
• $ - 字符串结尾 anchor。

匿名函数中的x代表Group 1的值，这里是“技术”，我们用nchar检查Group 1匹配长度是否不为零，如果不为空，我们替换为自定义逻辑，如果第1组为空，我们用NA替换。

Answer 2

我们可以将stringr 包中的str_extract_all 与捕获组一起使用。

string1 <- "aasdfadsf cat asdfadsf dog"
string2 <- "asfdadsfads dog asdfasdfadsf cat"
string3 <- "asfdadsfads asfdadsfadf"

library(stringr)
str_extract_all(c(string1, string2, string3), pattern = "(dog)|(cat)")
# [[1]]
# [1] "cat" "dog"
# 
# [[2]]
# [1] "dog" "cat"
# 
# [[3]]
# character(0)

我们也可以设置simplify = TRUE。输出将是一个矩阵。

str_extract_all(c(string1, string2, string3), pattern = "(dog)|(cat)", simplify = TRUE)
#       [,1]  [,2] 
# [1,] "cat" "dog"
# [2,] "dog" "cat"
# [3,] ""    ""  

Answer 3

或者，

> regmatches(string1,gregexpr("cat|dog",string1))
[[1]]
[1] "cat" "dog"

> regmatches(string2,gregexpr("cat|dog",string2))
[[1]]
[1] "dog" "cat"