r - 正后视后捕获，除了字符串包含 R 中的排除项

Question

假设我有以下字符串要解析以用于 R :

PIA+1+TC_5504_00_312010_0050+50103 AB346 type 5334
PIA+1+TC_3444_00_312010_0133+0140
PIA+1+DRW/50488665600/01/000:DW
PIA+1+TC_5635_00_312019_2644+LoremIpsum
PIA+1+TC_5635_00_312010_0040+63503 AB346 type 5334
PIA+1+TC_5635_00_312018_0223+DolorSit
PIA+1+TC_5635_00_312019_2644+DolorSit

简而言之，逻辑是这样的:

在正面回顾后捕获所有内容 (?<=^PIA\+\d{1}\+)

不要捕获字符串包含的位置 LoremIpsum或 DolorSit

所需的输出应如下所示:

TC_5504_00_312010_0050+50103 AB346 type 5334
TC_3444_00_312010_0133+0140
DRW/50488665600/01/000:DW
TC_5635_00_312010_0040+63503 AB346 type 5334

到目前为止，这是我到达的地方:

(?<=^PIA\+\d{1}\+)((?!.*LoremIpsum|DolorSit).)*$

我是故意没有按照 R逃的还没有，但稍后会这样做。
但不幸的是，它将捕获的最后一位数字保留到一个新组中。我在正则表达式方面的经验是有限的，我被困在如何捕获组中的整个剩余字符串。我不受这种方法的约束，另一个逻辑可能是，每当最后一个 +后跟一个字母，它应该排除捕获，但这会导致使用 PIA+1+DRW/50488665600/01/000:DW 添加场合很困难。字符串。
我的 sample 存放在这里 regex101.com

Answer 1

你可以通过用一个简单的交替组替换它来完全摆脱低效的调节贪婪 token :

(?<=^PIA\+\d\+)(?!.*(?:LoremIpsum|DolorSit)).*$

见 regex demo
详情

(?<= - 在当前位置左侧的正面回顾，需要

^ - 字符串开头

PIA\+ - PIA+

\d - 一位数

\+ - 一个 +

) - 回顾结束

(?!.*(?:LoremIpsum|DolorSit)) - 如果有零个或多个字符而不是尽可能多的换行符，则匹配失败的负前瞻，然后跟随 LoremIpsum或 DolorSit当前位置右侧的子字符串

.*$ - 其余部分。

见 R demo :

library(stringr)
x <- c("PIA+1+TC_5504_00_312010_0050+50103 AB346 type 5334",
"PIA+1+TC_3444_00_312010_0133+0140",
"PIA+1+DRW/50488665600/01/000:DW",
"PIA+1+TC_5635_00_312019_2644+LoremIpsum",
"PIA+1+TC_5635_00_312010_0040+63503 AB346 type 5334",
"PIA+1+TC_5635_00_312018_0223+DolorSit",
"PIA+1+TC_5635_00_312019_2644+DolorSit")
str_extract(x, "(?<=^PIA\\+\\d\\+)(?!.*(?:LoremIpsum|DolorSit)).*$")

输出:

[1] "TC_5504_00_312010_0050+50103 AB346 type 5334"
[2] "TC_3444_00_312010_0133+0140"                 
[3] "DRW/50488665600/01/000:DW"                   
[4] NA                                            
[5] "TC_5635_00_312010_0040+63503 AB346 type 5334"
[6] NA                                            
[7] NA  

或者，您也可以使用以下方法获取匹配的字符串

res <- sub("^PIA\\+\\d\\+(?!.*(?:LoremIpsum|DolorSit))(.*)|.*", "\\1", x, perl=TRUE)
res[res != ""]

见 this R demo .
或者，如果您只需要 grep这些字符串:

grep("^PIA\\+\\d\\+(?!.*(?:LoremIpsum|DolorSit))", x, perl=TRUE, value=TRUE)

见 this R demo .输出:

[1] "PIA+1+TC_5504_00_312010_0050+50103 AB346 type 5334"
[2] "PIA+1+TC_3444_00_312010_0133+0140"                 
[3] "PIA+1+DRW/50488665600/01/000:DW"                   
[4] "PIA+1+TC_5635_00_312010_0040+63503 AB346 type 5334"