base | 文本处理方法（Ⅰ-2）：正则表达式

上篇介绍了stringr工具包的一些字符串处理函数。实际上，str_*()系列的多数函数都经常会使用到正则表达式（regular expression）来进行模式匹配。因此在介绍这些函数之前，本篇先来介绍正则表达式。详见base工具包的regex。

library(stringr)

转义符

正则表达式的特点是“所写非所见”，而转义符的作用就是强制使“所写即所见”。转义符使用反斜杠\表示。

例1

书写字符串时需要在首尾加上双引号""或单引号''，但是字符串的内容本身是不包括这些引号的。因此，想要得到一个包含引号的字符串字符串"，通过书写以下代码会出现报错：

x <- "字符串""

• 引号在字符串中有特殊的功能，即作为字符串开始和结束的标志；当引号第二次出现时也意味着字符串的结束，其后不能再有其他内容；

• 上面代码中，作为字符串内容的引号会被视为字符串结束的标志，而原本作为结束标志的引号反而变得多余，因此报错。

解决办法是在作为字符串内容的引号前加上转义符\：

x <- "字符串\""
x
## [1] "字符串\""

par(plt = c(0.05,0.95,0,1), ps = 20, adj = 0,
    family = "mono")
plot(1:6, type = "n", axes = F, ann = F)
text(1,3, labels = x)

• 虽然在R的输出界面上还可以看到字符串内包含转义符；但作为文本打印在图片上时，转义符不会出现。

例2

反斜杠\作为转义符，那么如何在字符串内包含反斜杠呢？

转义符同样可以转义自身，因此使用两个反斜杠\\即可使字符串内包含一个反斜杠。

x <- "字符串\\"
x
## [1] "字符串\\"

par(plt = c(0.05,0.95,0,1), ps = 20, adj = 0,
    family = "mono")
plot(1:6, type = "n", axes = F, ann = F)
text(1,3, labels = x)

• 两个反斜杠含义不同：第一个反斜杠表示转义符，第二个反斜杠仅表示一种待转义的特殊符号；

• 如果想要包含两个连续的反斜杠，需要使用四个反斜杠；以此类推。

电脑中的文件夹地址一般也使用反斜杠来间隔，但由于反斜杠本身又是转义符，因此在R中输入文件地址时需要使用双反斜杠或单正斜杠：

## 错误
setwd("C:\Usere"
## 正确
setwd("C:\\Usere")
## 正确
setwd("C:/Usere")

换行符

在word中当超过一行容量时会自动换行，需要换段时可以按Enter键；而在纯文本格式的文件中，这些操作都需要使用字符来记录。换行符对应的正则表达式是\n。

x <- "字符\n串"
par(plt = c(0.05,0.95,0,1), ps = 20, adj = 0,
    family = "mono")
plot(1:6, type = "n", axes = F, ann = F)
text(1,3, labels = x)

同样，想要在字符串中包含符号\n本身，也可以使用转义符：

x <- "字符\\n串"
par(plt = c(0.05,0.95,0,1), ps = 20, adj = 0,
    family = "mono")
plot(1:6, type = "n", axes = F, ann = F)
text(1,3, labels = x)

定位符

使用模式匹配的str_*()系列函数拥有一个参数pattern，它们通常使用匹配符来进行赋值。

定位符属于匹配符的一种，其中^表示字符串的开始；$表示字符串的结束。\b表示文本字符开始或结束的位置，即介于文本字符与非文本字符之间的位置；\B是\b的补码，表示介于两个文本字符或两个非文本字符之间的位置。

以str_replace_all()函数为例，它可以替换掉字符串中所包含特定模式的部分：

str_replace_all(string, pattern, replacement)

• pattern：匹配模式；

• replacement：作为替代的字符。

比如检索单词abstract是否包含字母t的三种情况：

• 是否包含字母t；

• 是否在开头包含字母t；

• 是否在结尾包含字母t。

对应的代码及其结果如下：

str_replace_all("abstract", "t", "_")
## [1] "abs_rac_"
str_replace_all("abstract", "^t", "_")
## [1] "abstract"
str_replace_all("abstract", "t$", "_")
## [1] "abstrac_"

将所有文本字符开始或结束的位置替换成下划线_：

str_replace_all("Are you OK", "\\b", "_")
## [1] "_Are_ _you_ _OK_"

通配符

通配符也属于匹配符，它包含两个层次：

• 可以代替任意字符的特殊符号；

• 可以代替特定类型内的任意字符的特殊符号。

通配符	含义
.	任意一个字符
\d	十进制数字
\D	\d的补码；十进制数字以外的任意一个字符
\s	任意一个空白型字符，包括空格、Tab、换页符等
\w	任意一个文本字符，包括字母、十进制数字、下划线_
\W	\w的补码；任意一个非文本字符

str_replace_all("abstract", "t.a", "_")
## [1] "abs_ct"
str_replace_all("abstract", "t..a", "_")
## [1] "abstract"

• abstract存在tra的部分，因此t.a模式可以被匹配；

• abstract不存在t和a间隔两个字母的部分，因此t..a模式不能被匹配；

x <- "abstract is necessary \n1. Introduction"

str_replace_all(x, "\\d", "_")
## [1] "abstract is necessary \n_. Introduction"

• 使用带反斜杠的匹配符时需要在其前再加上一个反斜杠进行转义。

通配符也可以使用中括号[]进行自定义，表示括号内的任意一个字符。

str_replace_all("abstract", "t[r,s]a", "_")
## [1] "abs_ct"

• [r,s]表示字母r和s中的任意一个，因此只要tra和tsa中任意一个存在，t[r,s]a都能被匹配。

竖杠|表示前后整体的“或”，若为部分之间的“或”需要使用小括号：

str_replace_all("abstract", "tr|sa", "_")
## [1] "abs_ct"
str_replace_all("abstract", "t(r|s)a", "_")
## [1] "abs_ct"

系统中预定义的包含中括号的通配符及其含义：

通配符	含义
|	或
[:digit:]	数字
[:lower:]	小写字母
[:upper:]	大写字母
[:alnum:]	大小写字母、数字
[:blank:]	空格、制表符Tab
[:space:]	空白型字符，范围比[:blank:]更大，包括换行符、换页符、回车符等
[:punct:]	标点符号，包括如下：! " # $ % & ' ( ) * + , - . / : ; < = > ? @ [ \ ] ^ _ ` {
[:graph:]	大小写字母、数字、标点符号
[:print:]	大小写母、数字、标点符号、空格
[:xdigit:]	十六进制字符，包括如下：1 2 3 4 5 6 7 8 9 A B C D E F a b c d e f
[\u4e00-\u9fa5]	汉字字符

# 是否包含数字
str_replace_all("abstract123", "[:digit:]", "_")
## [1] "abstract___"
# 是否包含大写字母
str_replace_all("abstractABC", "[:upper:]", "_")
## [1] "abstract___"
str_replace_all("摘要ABC", "[\u4e00-\u9fa5]", "_")
## [1] "__ABC"

限定符

上述例中曾使用两个点号..表示连续的两个任意字符。对此，限定符（Repetition）提供了更为简洁和灵活的表达方式。

限定符用来限制它前面的字符连续出现的次数。常见的限定符如下：

限定符	数目限制
?	至多出现一次，即0次或1次
*	可以出现任意次，包括0次
+	至少出现1次
{n}	刚好出现n次
{n,}	至少出现n次
{n,m}	至少出现n次且至多出现m次

str_detect("abstract", "t..?a")
## [1] TRUE
str_detect("abstract", "t..*a")
## [1] TRUE
str_detect("abstract", "t..+a")
## [1] FALSE
str_detect("abstract", "t.{1}a")
## [1] TRUE

当限定符所限定的是多个字符的组合时，需要使用小括号：

str_detect("banana", "an{2}")
## [1] FALSE
str_detect("banana", "(an){2}")
## [1] TRUE

结语

本篇只是对正则表达式做了一个比较系统地介绍，并未包含所有的正则表达式。