r - 从R中的.sdf文件中提取唯一字段的正则表达式

Question

我正在寻找 R 中的正则表达式来提取 .sdf 化学数据文件中给出的字段。在这种情况下，字段由 < > 分隔，并在行首跟在“>”之后。例如，在

string=">  <FIELD1>\nfield text1\n\n>  <FIELD2>\nfield text2\n\n>  <FIELD3>field text3"

它必须返回

fields=c("FIELD1","FIELD2","FIELD3")

（它们可能会出现多次，所以我只需要unique()那些）有什么想法吗？

干杯，汤姆

Answer 1

您可以使用gregexprandregmatches提取子字符串并unique删除重复项。

unique(regmatches(string, gregexpr("(?<=<)\\w+(?=>)", string, perl = TRUE))[[1]])
# [1] "FIELD1" "FIELD2" "FIELD3"

Answer 2

尝试这个。它提取与括号包围的正则表达式部分匹配的字符串部分，然后使用以下方法对其进行简化unique：

library(gsubfn)
strapplyc(string, "<([^>]*)>", simplify = unique)

给予：

[1] "FIELD1" "FIELD2" "FIELD3"

修订后的小幅简化。