r语言 - 字符串提取正则表达式未按预期工作

Question

假设arg如下:

tLUKErnttt(over comlink)rnttGood luck, LandornrnttttLANDOrnttt(into comlink)rnttWhen we find Jabba the Hut and rnttthat bounty hunter, we'll contact rnttyou.rnrn

我试图使用下面的代码来提取arg中以"t|n| & "+几个大写字母并以"rnrn"结尾，但我没有得到匹配:

str_extract_all(arg, "(t|n|r)[A-Z]{1}.*?[A-Z]{2}(rnttt).*?(?=(rnrn))")

我希望这段代码的结果是"tLUKErntt (over comlink)rntt祝你好运，Landornrn"rnttt(进入链接)rntt当我们找到小屋贾巴和那个赏金猎人时，我们会联系rntt你的。rnrn n"

当我在末尾取消正向查找时，匹配正常，并且返回"tLUKErnttt"one_answers" tLANDO r n t t"如预期。

str_extract_all(arg, "(t|n|r)[A-Z]{1}.*?[A-Z]{2}(rnttt).*?")

我在这里错过了什么?

Answer 1

默认情况下，点(.)不匹配换行符(例如，参见help(stri_opts_regex)中的dotall选项)，这就是为什么.*?部分不能捕获您想要的内容。您可以通过(?s)标志启用此功能:

str_extract_all(arg, "(?s)(t|n|r)[A-Z]{1,}(rnttt).*?(?=rnrn)")

[[1]]
[1] "tLUKErnttt(over comlink)rnttGood luck, Lando"                                                                      
[2] "tLANDOrnttt(into comlink)rnttWhen we find Jabba the Hut and rnttthat bounty hunter, we'll contact rnttyou."

Answer 2

如果以后不需要该值，可以省略省略捕获组。此外，{1}是多余的，可以删除。

使用模式行.*?只在结尾将不会产生任何匹配，因为量词是非贪婪的，并且没有规则让它放弃任何匹配。

为了使模式不那么严格，您可以使用量词来代替指定制表符和换行符的确切数量。

---

为了防止不必要的回溯，您可以匹配只包含大写字符的行，然后匹配所有不包含大写字符的行。

^[^Srn]+[A-Z]+(?:r?n(?![^Srn]*[A-Z]+$).*)*

• ^字符串
起始
• [^Srn]+匹配1+次不带换行符的空白字符
• [A-Z]+匹配1+大写字符
• (?:非捕获组
  • r?n(?![^Srn]*[A-Z]+$) '匹配换行符并断言该行不包含单个大写单词
  • .*如果前面的断言为真，匹配整行
• )*关闭组并重复0+次以匹配所有行

Regex演示

使用(?m)多行

示例

library(stringr)
arg <- "tLUKErnttt(over comlink)rnttGood luck, LandornrnttttLANDOrnttt(into comlink)rnttWhen we find Jabba the Hut and rnttthat bounty hunter, we'll contact rnttyou.rnrn"
str_extract_all(arg, "(?m)^[^\S\r\n]+[A-Z]+(?:\r?\n(?![^\S\r\n]*[A-Z]+$).*)*")

输出

[[1]]
[1] "tLUKErnttt(over comlink)rnttGood luck, Landorn"                                                                                
[2] "ttttLANDOrnttt(into comlink)rnttWhen we find Jabba the Hut and rnttthat bounty hunter, we'll contact rnttyou.rnrn"