正则表达式

R语言之正则表达式 -----------------------------------------------------------------------------

Ⅰ. 用途

①查找特定信息，也就是提取 ②查找并编辑特定的信息，也就是替换

Ⅱ. R中使用正则表达式进行匹配的常用函数

gerp(pattern, x, ignore.case = FALSE, perl = FALSE, value = FALSE, 
     fixed = FALSE, useBytes = FALSE, invert = FALSE) # 查找，返回结果是匹配项的下标
     
grepl(pattern, x, ignore.case = FALSE, perl = FALSE, 
      fixed = FALSE, useBytes = FALSE) # 查找，返回值为true

sub(pattern, replacement,  x, ignore.case = FALSE, perl = FALSE, 
    fixed = FALSE, useBytes = FALSE) # 只对查找到的第一个内容进行替换。

gsub(pattern, replacements,  x, ignore.case = FALSE, perl = FALSE,
    fixed = FALSE, useBytes = FALSE) # 对查找到的所有内容进行替换，
                                     #返回替换后的text;否则直接返回text

regexpr(pattern, text, ignore.case = FALSE, per = FALSE,
      fixed = FALSE, useBytes = FALSE)  #返回第一个特征匹配的位置（对于每一个字符串）

gregexpr(pattern, x) # 返回所有特征匹配的位置(对于每一个字符串）
regmatches(x, m) # 提取匹配特征的第一个/所有字符串（对于每一个字符串），
                 # m = regexpr()/gregexpr()
library(stringr)
str_extract(text, pattern)  # 提取匹配特征的第一个字符串（对于每一个字符串）
str_extract_all(text,pattern)# 提取匹配特征的所有字符串（对于每一个字符串）

对参数进行解释说明：

Parameters	Explanations
pattern	regular expression
x（text)	character vector or character object, single str number limit = 231
ignore.case	默认FALSE，表示区分大小写，TRUE时表示不区分大小写。
perl	是否使用perl兼容的正则表达式。
value	默认FALSE， 当查找到时返回1， 否则返回0； 当为TRUE查找到时返回匹配到的字符, 否则返回0。
fixed	如果为TRUE， pattern是要匹配的字符串，覆盖所有冲突的参数。
useBytes	默认为FALSE, 当为TRUE时，则是逐字节逐字节匹配而不是逐字符逐字符匹配。
invert	如果TRUE返回不匹配的元素的索引或值。
replacement	如果查找到之后，进行替换，若没有找到，则返回x(text)。

Ⅲ. 正则表达式字符

字符	描述
[\b]	空白元字符 ， 回退（并删除）一个字符（backspace）
\f	换页符
\n	换行符
\t	制表符
\v	垂直制表符
\d	匹配数字，等价于[0-9]
\D	匹配非数字，等价于 ^[0-9]
\w	匹配任何一个字母、数字、下划线字符， 等价于[a-zA-Z0-9]
\W	匹配任何一个非字母数字或下划线字符， 等价于^[a-zA-Z0-9]
\s	空白字符
\S	任何一个非空白字符
[:lower:]	小写字母，等价于[a-z]
[:upper:]	大写字母，等价于[A-Z]
\\	匹配转义字符
|	表示或, 即| 前后表达式任选一个
^	匹配字符串的开始，如果置于[]内的首位则取反义，[^5]表示匹配除了5以外的任何字符
$	匹配字符串的结束，如果置于[]内则消除了其特殊含义。[akm$]将匹配a,k,m ,或者 $
\s*	表示连续空格的字符串
[ ]	选择方括号中任意一个，[0-2]等价于[012], [Rr] 负责匹配字母R和r
{}	前面的字符或表达式的重复次数。如{5，12} 表示重复次数不能小于5，不能多于12，否则都不匹配
{n,}	重复n次或更多次
*	匹配零个或任意多个字符或字符集合
+	匹配一个或多个字符，至少匹配一次
？	匹配零个或一个字符
.	匹配除换行符以外的任意字符
()	表示一个字符组，括号内的字符串将作为一个整体被匹配

Ⅳ.举例

① 查找单词

text <- c("Don't", "aim", "for", "success", "if", "you", "want", "it", "just","do",
          "what","you", "And","believe","in","and","it","will","come","naturally")

# 查找含有 an组合 的单词
grep("[Aa]n", text)
grep("[Aa]n", text, value = TRUE)

Output：

text <- c("Don't", "aim", "for", "success", "if", "you", "want", "it", "just","do",
+           "what","you", "And","believe","in","and","it","will","come","naturally")
> 
> # 查找含有 an组合 的单词
> grep("[Aa]n", text)
[1]  7 13 16
> # 查找含有 an组合 的单词
> grep("[Aa]n", text, value = TRUE)
[1] "want" "And"  "and" 

② 邮箱匹配

text2 <- c("My educational email address is 22013062@zju.edu.cn.", 
           "My QQ email address is 2568742957@qq.com.", "I have a dream, 
           I want to go to the university of Tokyo for Phd degree.")
# email address match
grep("[0-9]+@[a-z]+(.[a-z]+)+", text2, value = TRUE)
regexpr("[0-9]+@[a-z]+(.[a-z]+)+", text2)
grel("[0-9]+@[a-z]+(.[a-z]+)+", text2)
m = regexpr("[0-9]+@[a-z]+(.[a-z]+)+", text2)
regmatches(text2, m)

library(stringr)
str_extract(text2,"[0-9]+@[a-z]+(.[a-z]+)+")
str_extract_all(text2,"[0-9]+@[a-z]+(.[a-z]+)+")  

Output：

> text2 <- c("My educational email address is 22013062@zju.edu.cn.", 
+            "My QQ email address is 2568742957@qq.com.", "I have a dream, 
+            I want to go to the university of Tokyo for Phd degree.")
> # email address match
> grep("[0-9]+@[a-z]+(.[a-z]+)+", text2, value = TRUE)
[1] "My educational email address is 22013062@zju.edu.cn."
 "My QQ email address is 2568742957@qq.com."           
> regexpr("[0-9]+@[a-z]+(.[a-z]+)+", text2)
[1] 33 24 -1
attr(,"match.length")
[1] 19 17 -1
attr(,"index.type")
[1] "chars"
attr(,"useBytes")
[1] TRUE
> grepl("[0-9]+@[a-z]+(.[a-z]+)+", text2)
[1]  TRUE  TRUE FALSE
> m = regexpr("[0-9]+@[a-z]+(.[a-z]+)+", text2)
> regmatches(text2, m)
[1] "22013062@zju.edu.cn" "2568742957@qq.com" 

> library(stringr)
> str_extract(text2,"[0-9]+@[a-z]+(.[a-z]+)+")  
[1] "22013062@zju.edu.cn" "2568742957@qq.com"   NA 
> str_extract_all(text2,"[0-9]+@[a-z]+(.[a-z]+)+")  
[[1]]
[1] "22013062@zju.edu.cn"

[[2]]
[1] "2568742957@qq.com"

[[3]]
character(0)