字符串中条件模式的正则表达式

Question

我需要从一些字符串中提取子字符串，例如:
我的数据是一个向量:c("Shigella dysenteriae","PREDICTED: Ceratitis")

a = "Shigella dysenteriae"

b = "PREDICTED: Ceratitis"

我希望如果字符串以“PREDICTED:”开头，可以提取到后面的单词(可能是“Ceratitis”)，如果字符串不是以“PREDICTED”开头，可以提取到第一个单词(也许志贺氏菌)；

在本例中，结果将是:

result_of_a = "Shigella"

result_of_b = "Ceratitis"

嗯，这是一个典型的条件正则表达式。我试过，但总是失败；

我用过 R哪个可以兼容 perl的正则表达式。

我知道 R 支持 perl的正则表达式，所以我尝试使用 regexpr和 regmatches , 两个函数来提取我想要的子字符串。

代码是:

pattern = "(?<=PREDICTED:)?(?(1)(\\s+\\w+\\b)|(\\w+\\b))"

a = c("Shigella dysenteriae")
m_a = regexpr(pattern,a,perl = TRUE)
result_a = regmatches(a,m_a)

b = c("PREDICTED: Ceratitis")
m_b = regexpr(pattern,a,perl = TRUE)
result_b = regmatches(b,m_b)

最后，结果是:

# result_a = "Shigella"
# result_b = "PREDICTED"

这不是我期望的结果，result_a 是对的，result_b 是错误的。

WHY???似乎条件不起作用......

PS:
我试图阅读条件正则表达式的一些细节。这是我尝试阅读的网页: https://www.regular-expressions.info/conditional.html我尝试从这个网站模仿“模式”，并尝试使用“RegexBuddy”软件来寻找原因。

Answer 1

我认为它不起作用的原因是因为 (1) checks if a numbered capture group has been set但是还没有第一个捕获组集，也没有在正面回顾中 (?<=PREDICTED:)? .

在接下来的部分中有第一个和第二个捕获组。 if 子句将检查组 1，它未设置，因此它将匹配组 2。

如果你想让它成为唯一的捕获组 (?<=(PREDICTED: )?)并省略其他 2，则 if 子句将为真，但您将收到错误，因为后视断言不是 fixed length .

代替使用条件模式，要获取这两个词，您可以使用捕获组并生成 PREDICTED:可选的:

^(?:PREDICTED: )?(\w+)

Regex demo | R demo