r - 用于正则表达式捕获组的 R 函数是什么？

Question

我正在 R 中进行一些文本整理，对于特定的提取，我需要使用捕获组。出于某种原因，我熟悉的 base/stringr 函数似乎不支持捕获组:

str_extract("abcd123asdc", pattern = "([0-9]{3}).+$") 
# Returns: "123asdc"

stri_extract(str = "abcd123asdc", regex = "([0-9]{3}).+$")
# Returns: "123asdc"

grep(x = "abcd123asdc", pattern = "([0-9]{3}).+$", value = TRUE)
# Returns: "abcd123asdc"

通常使用谷歌搜索“R 捕获组正则表达式”并没有为解决此问题提供任何有用的结果。我是否遗漏了什么，或者 R 中没有实现捕获组？

编辑:因此，在尝试解决评论中建议的解决方案后，该解决方案适用于一个小示例，但在我的情况下失败了。

请注意，这是来自 enron 电子邮件数据集的文本，因此不包含敏感信息。

txt <- "Message-ID: <24216240.1075855687451.JavaMail.evans@thyme>
Date: Wed, 18 Oct 2000 03:00:00 -0700 (PDT)
From: phillip.allen@enron.com
To: leah.arsdall@enron.com
Subject: Re: test
Mime-Version: 1.0
Content-Type: text/plain; charset=us-ascii
Content-Transfer-Encoding: 7bit
X-From: Phillip K Allen
X-To: Leah Van Arsdall
X-cc: 
X-bcc: 
X-Folder: \\Phillip_Allen_Dec2000\\Notes Folders\\sent mail   
X-Origin: Allen-P
X-FileName: pallen.nsf

test successful.  way to go!!!"

sub("X-FileName:.+\n\n([\\W\\w]+)$", "\\1", txt)
# Returns all of "txt", not the capture group

由于我们只有一个捕获组，“\1”不应该捕获它吗？我使用在线正则表达式测试仪测试了正则表达式，它应该可以正常工作。还尝试了\n 和\n 作为换行符。有任何想法吗？

Answer 1

完成工作
您可以始终使用 str_match 使用 stringr 提取捕获组或 str_match_all :

> result <- str_match(txt, "X-FileName:.+\n\n(?s)(.+)$")
> result[,2]
[1] "test successful.  way to go!!!"

图案详情 :

X-FileName: - 文字子串

.+ - 除换行符以外的任何 1+ 个字符(因为在 ICU 正则表达式中，点与换行符字符不匹配)

\n\n - 2 个换行符

(?s) - 内联 DOTALL 修饰符(现在，出现在右侧的 . 将匹配换行符字符)

(.+) - 组 1 捕获任何 1+ 个字符(包括换行符)直到

$ - 字符串的结尾。

或者您可以使用基数 R regmatches 与 regexec :

> result <- regmatches(txt, regexec("X-FileName:[^\n]+\n\n(.+)$", txt))
> result[[1]][2]
[1] "test successful.  way to go!!!"

见 online R demo .这里使用了 TRE 正则表达式(使用 regexec ，不幸的是不能使用 PCRE 正则表达式)，所以 .将匹配包括换行符在内的任何字符，因此，模式看起来像 X-FileName:[^\n]+\n\n(.+)$ :

X-FileName: - 文字字符串

[^\n]+ - 除换行符以外的 1+ 个字符

\n\n - 2 个换行符

(.+) - 任何 1+ 个字符(包括换行符)，尽可能多，最多为

$ - 字符串的结尾。

一个 sub也可以考虑以下选项:

sub(".*X-FileName:[^\n]+\n\n", "", txt)
[1] "test successful.  way to go!!!"

见 this R demo .在这里， .*匹配任何 0+ 个字符，尽可能多(所有字符串)，然后回溯以找到 X-FileName:子串， [^\n]+匹配 1+ 个字符而不是换行符，然后 \n\n匹配 2 个换行符。
比较性能
考虑到 hwnd's comment ，我添加了一个基于 TRE 正则表达式的 sub上面的选项，它似乎是所有 4 个建议选项中最快的， str_match几乎和我上面的一样快 sub代码:

library(microbenchmark)

f1 <- function(text) { return(str_match(txt, "X-FileName:.+\n\n(?s)(.+)$")[,2]) }
f2 <- function(text) { return(regmatches(txt, regexec("X-FileName:[^\n]+\n\n(.+)$", txt))[[1]][2]) }
f3 <- function(text) { return(sub('(?s).*X-FileName:[^\n]+\\R+', '', txt, perl=TRUE)) }
f4 <- function(text) { return(sub('.*X-FileName:[^\n]+\n\n', '', txt)) }

> test <- microbenchmark( f1(txt), f2(txt), f3(txt), f4(txt), times = 500000 )
> test
Unit: microseconds
    expr    min     lq     mean median     uq       max neval  cld
 f1(txt) 21.130 24.451 28.08150 27.168 28.677 53796.565 5e+05  b  
 f2(txt) 29.280 32.903 37.46800 35.318 37.431 54556.635 5e+05   c 
 f3(txt) 57.655 59.466 63.36906 60.674 61.881  1651.448 5e+05    d
 f4(txt) 22.036 23.545 25.56820 24.451 25.356  1660.504 5e+05 a