regex - 正则表达式以保持单个字符的运行计数

Question

考虑以下向量 x

x <- c("000a000b000c", "abcd00ab", "abcdefg", "000s00r00g00t00") 

使用单个正则表达式，我只想保留 x 中包含三个以上字母的元素。以下是规则:

1. 字母并不总是连续的(这是主要问题)
2. x的字符串元素可以是任意数量的字符
3. 除了数字和小写字母，字符串中没有任何内容

我想到的简单方法是删除所有不是字母的内容，然后取字符数，如下所示。

x[nchar(gsub("[0-9]+", "", x)) > 3]
# [1] "abcd00ab"        "abcdefg"         "000s00r00g00t00"

我知道有像 [a-z]{4,} 这样的语句可以找到四个或更多连续的小写字母。但是，如果单个字母散落在字符串中怎么办？我怎样才能保持字母的“运行计数”，以便当它超过三个时，它就变成不匹配？现在我能想到的就是多次编写 [a-z]+，但是如果我想匹配五个或更多字母，这会变得很丑陋。

这让我明白了，但是你可以看到对于更长的字符串来说这可能是多么丑陋。

grep("[a-z]+.*[a-z]+.*[a-z]+.*[a-z]+.*", x)
# [1] 2 3 4

有没有办法用更好的正则表达式来做到这一点？

Answer 1

试试这个，其中 \\D 匹配一个非数字，.* 匹配一个包含 0 个或更多字符的字符串并且 (...){4 表示匹配四次，即超过 3 次。

grep("(\\D.*){4}", x, value = TRUE)

如果有 4 个或更多的非数字，这将匹配。如果您需要超过 5 个，只需将 4 替换为 6。如果在正则表达式中使用数字 3 很重要，请尝试使用此模式 (\\D.*){3}\\D。