r - 从 agrep 中提取子串匹配

Question

我的目标是确定是否给定 text有一个 target字符串，但我想允许拼写错误/小派生并提取“导致”匹配的子字符串(将其用于进一步的文本分析)。

示例:

target <- "target string"
text <- "the target strlng: Butter. this text i dont want to extract."

所需输出:

我要 target strlng作为输出，因为它非常接近目标(levenshtein 距离为 1)。接下来我想使用 target strlng提取词 Butter (这部分我已经涵盖了，我只是添加它以获得详细的规范)。

我试过的:

使用 adist 不起作用，因为它比较两个字符串，而不是子字符串。

接下来我看了一下 agrep这似乎非常接近。我可以有输出，我的目标被找到了，但不是 substring这“导致”了比赛。

我试过 value = TRUE但它似乎适用于阵列级别。我认为我不可能切换到数组类型，因为我不能用空格分割(我的目标字符串可能有空格，...)。

agrep(
  pattern = target, 
  x = text,
  value = TRUE
)

Answer 1

使用 aregexec , 类似于 regexpr/regmatches 的使用(或 gregexpr )用于精确匹配提取。

m <- aregexec('string', 'text strlng wrong')
regmatches('text strlng wrong', m)
#[[1]]
#[1] "strlng"

这可以包装在一个函数中，该函数使用 aregexec 的参数。和 regmatches .请注意，在后一种情况下，函数参数 invert出现在点参数之后 ...所以它必须是一个命名参数。

aregextract <- function(pattern, text, ..., invert = FALSE){
  m <- aregexec(pattern, text, ...)
  regmatches(text, m, invert = invert)
}

aregextract(target, text)
#[[1]]
#[1] "target strlng"

aregextract(target, text, invert = TRUE)
#[[1]]
#[1] "the "                                       
#[2] ": Butter. this text i dont want to extract."