regex - R中的重叠匹配

Question

我已经搜索并找到了这个 forum discussion以达到重叠匹配的效果。

我还发现了以下SO关于查找索引来执行此任务的问题，但无法找到任何关于在 R 语言中抓取重叠匹配的简明信息。

我可以在大多数支持 ( PCRE ) 的语言中执行此任务，方法是使用 Positive Lookahead 断言，同时在 Lookahead 内部实现捕获组以捕获重叠匹配。

但是，虽然实际上以我在其他语言中使用的方式执行此操作，但使用 perl=T在 R 中，没有结果。

> x <- 'ACCACCACCAC'
> regmatches(x, gregexpr('(?=([AC]C))', x, perl=T))[[1]]
[1] "" "" "" "" "" "" ""

使用 stringi 也是如此。和 stringr包裹。

> library(stringi)
> library(stringr)
> stri_extract_all_regex(x, '(?=([AC]C))')[[1]]
[1] "" "" "" "" "" "" ""
> str_extract_all(x, perl('(?=([AC]C))'))[[1]]
[1] "" "" "" "" "" "" ""

执行此操作时应返回的正确结果是:

[1] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

编辑

我很清楚regmatches不能很好地处理捕获的匹配，但什么 正好在 regmatches 中导致这种行为，为什么没有返回结果？ 我正在寻找一个有点详细的答案 .

是stringi和 stringr软件包无法通过 regmatches 执行此操作?

请随时添加到我的答案中，或者提出与我发现的不同的解决方法。

Answer 1

标准regmatches不适用于捕获的匹配项(特别是同一字符串中的多个捕获匹配项)。在这种情况下，由于您正在“匹配”前瞻(忽略捕获)，因此匹配本身的长度为零。还有一个regmatches()<-可以说明这一点的函数。观察

x <- 'ACCACCACCAC'
m <- gregexpr('(?=([AC]C))', x, perl=T)
regmatches(x, m) <- "~"
x
# [1] "~A~CC~A~CC~A~CC~AC"

注意所有字母是如何保存的，我们只是用我们可以观察到的东西替换了零长度匹配的位置。

我创建了一个 regcapturedmatches()我经常用于此类任务的函数。例如

x <- 'ACCACCACCAC'
regcapturedmatches(x, gregexpr('(?=([AC]C))', x, perl=T))[[1]]

#      [,1] [,2] [,3] [,4] [,5] [,6] [,7]
# [1,] "AC" "CC" "AC" "CC" "AC" "CC" "AC"

gregexpr正在抓取所有数据就好了，因此如果您不想使用此辅助函数，则无论如何您都可以从该对象中提取它。