R语言正则表达式基础

一、背景

正则表达式，是根据字符串规律按一定法则，简洁表达一组字符串的表达式。正则表达式通常就是从貌似无规律的字符串中发现规律性，进而概括性地表达它们所共有的规律或模式，以方便地操作处理它们，这是真正的化繁为简，以简御繁的典范。

几乎所有的高级编程语言都支持正则表达式，正则表达式广泛应用于文本挖掘、数据预处理，例如：

• 检查文本中是否含有指定的特征词
• 找出文本中匹配特征词的位置
• 从文本中提取信息
• 修改文本

正则表达式包括：只能匹配自身的普通字符（如英文字母、数字、标点等）和被转义了的特殊字符（称为‘‘元字符’’）。

二、基本语法

2.1 常见元字符

2.2 特殊字符与反义

示例：

\\S+：匹配不包含空白字符的字符串
\\d：匹配数字
[a-zA-Z0-9]：匹配字母和数字
[\u4e00-\u9fa5]：匹配汉字

2.3 运算优先级

1. 首先，圆括号括起来的表达式最优先
2. 其次，表示重复次数的操作（即* + { }）
3. 再次，连接运算（即几个字符放在一起，如abc）
4. 最后，或运算（|）

另外，正则表达式还有若干高级用法，常用的有零宽断言和分组捕获。

2.4 示例

在R语言中，使用正则表达式的方式：library(stringr)
常见的操作是：

• 若仅调试和查看正则表达式的效果，使用：str_view和str_view_all()，将在原字符向量中高亮显示匹配的内容
• 若要提取正则表示式内容，使用str_extract()和str_extract_all()，将提取匹配的第一个或者提取所有的匹配内容。
• 若是替换正则表达式内容，使用str_replace和str_replace_all()，将替换匹配的第一个或者替换所有的匹配内容

示例1：直接匹配

> x = c("CDK 弱(+)10%+", "CDK(+)30%-", "CDK(-)0+", "CDK(++)60%*")
> str_view(x, "\\d+%")

示例2：零宽断言，匹配两个标志之间的内容

解决的问题：适合想要匹配的内容没有规律性，但该内容位于两个有规律性的标志之间，标志也可以是开始和结束。

引导语法：通常想要匹配的内容 不包含两边的 “标志” ，这就需要用零宽断言。简单来说，就是一种引导语法告诉既要匹配到 "标志"，但又不包含 "标志"。左边标志的引导语法是 (?<= 标志)，右边标志的引导语法是 (?= 标志)，而 真正要匹配的内容放在它们中间。

> x = c("175.10.237.40(湖南-长沙)", "114.243.12.168(北京-北京)",
+       "125.211.78.251(黑龙江-哈尔滨)")
> str_extract(x, "\\(.*-")
# [1] "(湖南-"   "(北京-"   "(黑龙江-"
> str_extract(x, "(?<=\\().*(?=-)")
[1] "湖南"   "北京"   "黑龙江"

示例3：惰性匹配：尽可能短的匹配

贪婪匹配：几乎所有的高级语言的正则表达式在进行匹配时，均为贪婪匹配，即匹配字符串所能满足匹配的最长范围。
惰性匹配：在满足正则表达式匹配的过程中，匹配字符串所能满足匹配的最短范围

# 贪婪匹配
> str_extract("(lsit) (order)  (test)", "\\(.+\\)")
[1] "(lsit) (order)  (test)"

# 惰性匹配，通过在元字符后面添加 ? 来执行惰性匹配
> str_extract("(lsit) (order)  (test)", "\\(.+?\\)")
[1] "(lsit)"

示例4：捕获分组

正则表达式中可以用圆括号分组，作用是

• 确定优先规则
• 组成一个整体
• 拆分出整个匹配中的部分内容（称为捕获）
• 捕获内容供后续引用或者替换。

> x = c("宝马X3 2016 款", "大众速腾2017 款", "宝马3 系2012 款")
> str_replace(x, "([a-zA-Z0-9])", " \\1")
# [1] "宝马 X3 2016 款"  "大众速腾 2017 款" "宝马 3 系2012 款"

注：捕获子组采用的是 \\1, \\2, \\3, .... ；