7

所以我有一个很长的字符串，我想处理多个匹配项。我似乎只能使用regexpr. 如何在同一个字符串中获得多个位置（更多匹配）？

我正在寻找 html 源代码中的特定字符串。拍卖的标题（在 html 标签之间）。它证明有点难以找到：

到目前为止，我使用这个：

locationstart <- gregexpr("<span class=\"location-name\">", URL)[[1]]+28
locationend <- regexpr("<", substring(URL, locationstart[1], locationend[1] + 100))
substring(URL, locationstart[1], locationstart[1] + locationend - 2)

也就是说，我查找标题之前的部分，然后捕获该位置，然后从那里查找指示标题结束的“<”。我愿意接受更具体的建议。

4

2 回答 2

10

使用gregexpr允许多个匹配。

> x <- c("only one match", "match1 and match2", "none here")
> m <- gregexpr("match[0-9]*", x)
> m
[[1]]
[1] 10
attr(,"match.length")
[1] 5
attr(,"useBytes")
[1] TRUE

[[2]]
[1]  1 12
attr(,"match.length")
[1] 6 6
attr(,"useBytes")
[1] TRUE

[[3]]
[1] -1
attr(,"match.length")
[1] -1
attr(,"useBytes")
[1] TRUE

如果您希望提取匹配项，您可以使用regmatches它来为您执行此操作。

> regmatches(x, m)
[[1]]
[1] "match"

[[2]]
[1] "match1" "match2"

[[3]]
character(0)
于 2013-05-06T15:32:56.173 回答
3

gregexpr并且regmatches正如 Dason 的回答中所建议的，允许在字符串中提取正则表达式模式的多个实例。此外，该解决方案具有完全依赖{base}R 包而不需要额外包的优点。

尽管如此，我还是想建议一个基于stringr 包的替代解决方案。一般来说，这个包通过提供基本 R 的各种字符串支持函数的大部分功能（不仅仅是与正则表达式相关的函数），通过一组直观命名的函数并提供一致API。事实上，stringr 函数不仅取代了基本的 R 函数，而且在许多情况下还引入了额外的特性；例如，stringr 的正则表达式相关函数对字符串和模式都进行了矢量化。

专门针对在长字符串中提取多个模式的问题，可以使用str_extract_all和str_match_all，如下图所示。根据输入是单个字符串或它的向量这一事实，可以使用列表/矩阵下标unlist或其他方法（如lapply等）调整逻辑sapply。关键是 stringr 函数返回的结构可用于访问我们想要的。

# simulate html input. (Using bogus html tags to mark the target texts; the demo works
# the same for actual html patterns, the regular expression is just a bit more complex.
htmlInput <- paste("Lorem ipsum dolor<blah>MATCH_ONE<blah> sit amet, purus",
                 "sollicitudin<blah>MATCH2<blah>mauris, <blah>MATCH Nr 3<blah>vitae donec",
                 "risus ipsum, aenean quis, sapien",
                 "in lorem, condimentum ornare viverra",
                 "suscipit <blah>LAST MATCH<blah> ipsum eget ac. Non senectus",
                 "dolor mauris tellus, dui leo purus varius")

# str_extract() may need a bit of extra work to remove the leading and trailing parts
str_extract_all(htmlInput, "(<blah>)([^<]+)<")
# [[1]]
# [1] "<blah>MATCH_ONE<"  "<blah>MATCH2<"     "<blah>MATCH Nr 3<" "<blah>LAST MATCH<"

str_match_all(htmlInput,  "<blah>([^<]+)<")[[1]][, 2]
# [1] "MATCH_ONE"  "MATCH2"     "MATCH Nr 3" "LAST MATCH"
于 2017-01-24T04:52:41.293 回答