Captura de grupo Regex en R con múltiples grupos de captura

Question

En R, ¿es posible extraer la captura de grupo de una coincidencia de expresión regular? Por lo que puedo decir, ninguno de grep, grepl, regexpr, gregexpr, sub, o gsub devuelven las capturas de grupo.

I necesidad de extraer pares de valores clave de cadenas que están codificados por lo tanto:

\((.*?) :: (0\.[0-9]+)\) 

I siempre puede hacer múltiples greps-partido completo, o hacer algo de procesamiento exterior (no-R), pero estaba esperando poder hacerlo todo dentro de R. ¿Hay una función o un paquete que brinde tal función para hacer esto?

Answer 1

str_match(), del paquete stringr, lo hará. Devuelve una matriz de caracteres con una columna para cada grupo en el partido (y uno para todo el partido):

> s = c("(sometext :: 0.1231313213)", "(moretext :: 0.111222)") 
> str_match(s, "\\((.*?) :: (0\\.[0-9]+)\\)") 
    [,1]       [,2]  [,3]   
[1,] "(sometext :: 0.1231313213)" "sometext" "0.1231313213" 
[2,] "(moretext :: 0.111222)"  "moretext" "0.111222"  

Answer 2

gsub hace esto, de su ejemplo:

gsub("\\((.*?) :: (0\\.[0-9]+)\\)","\\1 \\2", "(sometext :: 0.1231313213)") 
[1] "sometext 0.1231313213" 

que necesita para duplicar escapar de la \ s en las citas a continuación, para las que trabajan la expresión regular.

Espero que esto ayude.

Answer 3

Así es como terminé solucionando este problema. He utilizado dos expresiones regulares separadas para que coincida con el primer y segundo grupos de captura y ejecutar dos gregexpr llamadas, a continuación, extraiga las subcadenas coincidentes:

regex.string <- "(?<=\\().*?(?= ::)" 
regex.number <- "(?<= ::)\\d\\.\\d+" 

match.string <- gregexpr(regex.string, str, perl=T)[[1]] 
match.number <- gregexpr(regex.number, str, perl=T)[[1]] 

strings <- mapply(function (start, len) substr(str, start, start+len-1), 
        match.string, 
        attr(match.string, "match.length")) 
numbers <- mapply(function (start, len) as.numeric(substr(str, start, start+len-1)), 
        match.number, 
        attr(match.number, "match.length")) 

Answer 4

gsub() puede hacer esto y devolver sólo el grupo de captura:

Sin embargo, para que esto funcione, debe seleccionar explícitamente elementos fuera de su grupo de captura como se menciona en la ayuda de gsub().

(...) los elementos de los vectores de caracteres 'x' que no se sustituyan se devolverán sin cambios.

Por lo tanto, si el texto que va a seleccionar se encuentra en el medio de una cadena, agregar. * Antes y después del grupo de captura debería permitirle solo devolverlo.

gsub(".*\\((.*?) :: (0\\.[0-9]+)\\).*","\\1 \\2", "(sometext :: 0.1231313213)") [1] "sometext 0.1231313213"

Answer 5

Trate regmatches() y regexec():

regmatches("(sometext :: 0.1231313213)",regexec("\\((.*?) :: (0\\.[0-9]+)\\)","(sometext :: 0.1231313213)")) 
[[1]] 
[1] "(sometext :: 0.1231313213)" "sometext"     "0.1231313213" 

Answer 6

me gustan las expresiones regulares compatibles con Perl. Es probable que alguien más lo hace demasiado ...

Aquí es una función que hace Perl expresiones regulares compatibles y coincide con la funcionalidad de las funciones en otros idiomas que yo estoy acostumbrado a:

regexpr_perl <- function(expr, str) { 
    match <- regexpr(expr, str, perl=T) 
    matches <- character(0) 
    if (attr(match, 'match.length') >= 0) { 
    capture_start <- attr(match, 'capture.start') 
    capture_length <- attr(match, 'capture.length') 
    total_matches <- 1 + length(capture_start) 
    matches <- character(total_matches) 
    matches[1] <- substr(str, match, match + attr(match, 'match.length') - 1) 
    if (length(capture_start) > 1) { 
     for (i in 1:length(capture_start)) { 
     matches[i + 1] <- substr(str, capture_start[[i]], capture_start[[i]] + capture_length[[i]] - 1) 
     } 
    } 
    } 
    matches 
} 

Answer 7

Como se sugiere en el paquete stringr , esto se puede lograr utilizando str_match() o str_extract().

adaptado del manual de:

library(stringr) 

strings <- c(" 219 733 8965", "329-293-8753 ", "banana", 
      "239 923 8115 and 842 566 4692", 
      "Work: 579-499-7527", "$1000", 
      "Home: 543.355.3679") 
phone <- "([2-9][0-9]{2})[- .]([0-9]{3})[- .]([0-9]{4})" 

La extracción y la combinación de nuestros grupos:

str_extract(strings, phone) 
# [1] "219 733 8965" "329-293-8753" NA    "239 923 8115" "579-499-7527" NA    
# [7] "543.355.3679" 

grupos indicadores con una matriz de salida (que estamos interesados ​​en las columnas 2 +):

str_match(strings, phone) 
#  [,1]   [,2] [,3] [,4] 
# [1,] "219 733 8965" "219" "733" "8965" 
# [2,] "329-293-8753" "329" "293" "8753" 
# [3,] NA    NA NA NA  
# [4,] "239 923 8115" "239" "923" "8115" 
# [5,] "579-499-7527" "579" "499" "7527" 
# [6,] NA    NA NA NA  
# [7,] "543.355.3679" "543" "355" "3679" 

Answer 8

Solución con strcapture del utils:

x <- c("key1 :: 0.01", 
     "key2 :: 0.02") 
strcapture(pattern = "(.*) :: (0\\.[0-9]+)", 
      x = x, 
      proto = list(key = character(), value = double())) 
#> key value 
#> 1 key1 0.01 
#> 2 key2 0.02