r - 在 gregexpr 和 str_extract_all 函数中进行量化的交替

Question

在 gregexpr 和 str_extract_all 函数中进行量化

require(stringr)
gregexpr(pattern = "(h|a)*", "xxhx")
[[1]]
[1] 1 2 3 4
attr(,"match.length")
[1] 0 0 1 0
attr(,"useBytes")
[1] TRUE

str_extract_all(pattern = "(h|a)*", "xxhx")
[[1]]
[1] ""  ""  "h" ""  ""

为什么 gregexpr 表示 3 个空位而 str_extract_all 表示 4 个空位

Answer 1

这是 TRE (gregexpr) 和 ICU (str_extract_all) 正则表达式引擎处理空(也称为“零长度”)正则表达式匹配的区别。 TRE 正则表达式在零长度匹配后推进正则表达式索引，而 ICU 允许对同一位置进行两次测试。

如果您使用替换函数，两个引擎尝试的位置会变得很明显:

> gsub("(h|a)*", "-\\1", "xxhx")
[1] "-x-x-hx-"
> str_replace_all("xxhx", "(h|a)*", "-\\1")
[1] "-x-x-h-x-"

TRE 引擎匹配h 并将索引移动到x 之后，而ICU 引擎匹配h 并在h 之后立即停止x 之前的 code> 以匹配它之前的空位置。