python - R 相当于 Python 的 re.findall

Question

我试图从字符串中获取 RegExp 的所有匹配项，但显然在 R 中这并不容易，或者我忽略了一些东西。说实话，这真的很令人困惑，我发现自己迷失在所有选项中:str_extract、str_match、str_match_all、regexec、grep、gregexpr 以及谁知道还有多少其他。

实际上，我想要完成的只是(在 Python 中):

>>> import re
>>> re.findall(r'([\w\']+|[.,;:?!])', 'This is starting to get really, really annoying!!')
['This', 'is', 'starting', 'to', 'get', 'really', ',', 'really', 'annoying', '!', '!']

上述函数的问题在于，它们要么返回一个匹配项，要么根本不返回任何匹配项。

Answer 1

一般来说，R 不存在与 Python re.findall 完全相同的 R 语言，它要么返回匹配值列表，要么返回保存捕获组子匹配的元组(列表)。最接近的是 stringr 包中的 str_match_all，但它也非常接近 Python re.finditer(因为它返回第一个项目，然后是后续项目中的所有子匹配(捕获组内容)(仍然不完全等同于 re.finditer，因为仅返回文本，而不返回匹配数据对象)。因此，如果 str_match_all 未返回整个匹配值，则它将与 Python re.findall 完全相同。

您使用re.findall仅返回匹配，而不是捕获，模式中的捕获组是多余的，您可以将其删除。因此，您可以安全地将 regmatches 与 gregexpr 和 PCRE 风格一起使用(因为 [\\w'] 不适用于 TRE 正则表达式) ):

s <- "This is starting to get really, really annoying!!"
res <- regmatches(s, gregexpr("[\\w']+|[.,;:?!]", s, perl=TRUE))
## => [[1]]
[1] "This"     "is"      "starting" "to"       "get"      "really"  
[7] ","        "really"   "annoying" "!"        "!"  

请参阅R demo

或者，要使 \w 识别 Unicode，使其像 Python 3 中一样工作，请添加 (*UCP) PCRE 动词:

res <- regmatches(s, gregexpr("(*UCP)[\\w']+|[.,;:?!]", s, perl=TRUE))

参见another R demo

如果您想使用stringr包(在幕后使用ICU正则表达式库)，您需要str_extract_all:

res <- str_extract_all(s, "[\\w']+|[.,;:?!]")