我正在处理一个混乱的手动维护的"数据库"；它有一个列，其中包含一个具有名称、值对的字符串。我试图用regexp解析整列，以提取值。该列是巨大的(>100000个条目)。作为我实际数据的代理，让我们使用以下代码：
line1={'''thing1'': ''-583'', ''thing2'': ''245'', ''thing3'': ''246'', ''morestuff'':, '''''};
line2={'''thing1'': ''617'', ''thing2'': ''239'', ''morestuff'':, '''''};
line3={'''thing1'': ''unexpected_string(with)parens5'', ''thing2'': 245, ''thing3'':''246'', ''morestuff'':, '''''};
mycell=vertcat(line1,line2,line3);
这捕获了数据库中遇到的一般问题。我想使用cellfun提取每行中的thing1、thing2和thing3，以输出标量单元阵列。它们通常应该是3位数字，但有时它们有一种意想不到的形式。有时thing3完全缺失，甚至没有名字出现在行中。有时会出现轻微的格式不一致，比如值周围缺少单引号、缺少空格或三位数前面出现短划线。除了thing3完全丢失的情况外，我已经设法处理了所有这些。
我的一般方法是使用这样的表达式：
expr1='(?<=thing1''):s?''?-?([wd().]*?)''?,';
expr2='(?<=thing2''):s?''?-?([wd().]*?)''?,';
expr3='(?<=thing3''):s?''?-?([wd().]*?)''?,';
这会在后面查找thingX'，然后尝试使用惰性匹配来匹配:，然后是零或一个空格、0或1个单引号、0或一个短划线、字母、数字、圆括号或句点的任意组合(这被定义为标记)，直到遇到零或一条单引号，然后是逗号。我调用regexp作为regexp(___,'tokens','once')来返回匹配的令牌。
问题是，当不匹配时，regexp会返回一个空数组。这使我无法使用
out=cellfun(@(x) regexp(x,expr3,'tokens','once'),mycell);
除非我用'UniformOutput',false来称呼它。这个问题有两个方面。首先，我需要手动查找不匹配的行。例如，我可以这样做：
emptyout=cellfun(@(x) isempty(x),out);
emptyID=find(emptyout);
backfill=cell(length(emptyID),1);
[backfill{:}]=deal('Unknown');
out(emptyID)=backfill;
在本例中，emptyID的长度为1，因此此代码过于夸张。但我相信，当它更长的时候，这是正确的概括方式。此代码将使用字符串Unknown更改out中的每个空单元格数组。但这导致了第二个问题。我现在得到了一个非标量值的"混乱"单元格数组。例如，我无法检查unique(out)。
请原谅我的长篇大论，但我想举一个清楚的例子说明这个问题。现在，我的实际问题分为几个部分：
- 有没有一种方法可以在不使用
'UniformOutput',false的情况下完成我想要做的？例如，如果不匹配，是否有方法让regexp传递自定义字符串(例如，如果没有匹配，则传递'Unknown')？我可以想到一个"欺骗"，那就是在表达式中使用|运算符，如果第一个标记不匹配，则查找总是找到的内容。然后，我仍然需要加倍返回输出，并将该结果的每个实例更改为'Unknown' - 如果我采用
'UniformOutput',false方法，我如何在末尾恢复标量单元阵列以轻松操作它(例如，通过unique)？我承认我不是100%清楚标量和非标量单元数组 - 如果有一些完全不同的方法我没有想到，我也会接受
- 与主要问题无关，我还尝试使用一个表达式运行
regexp，使用3个令牌一次性提取thing1、thing2和thing3的值。即使regexp没有空结果，这似乎也需要'UniformOutput',false。我不知道如何使用这种方法获得标量单元阵列(例如，Nx1单元阵列，其中每个单元是3x1单元)
在一天结束时，我想使用以下结果构建一个表：
mytable=table(out1,out2,out3);
编辑：使用celldisp揭示了一些问题：
celldisp(out)
out{1}{1} =
246
out{2} =
Unknown
out{3}{1} =
246
我假设我需要改变out的结构，使得out{1}{1}和out{3}{1}的内容只是out{1}和out{3}。但如果我需要'UniformOutput',false，我不确定如何实现这一点。
注意：我没有使用过MATLAB，这不会回答"高效的"；方面，但是。。。
强迫总是有一场比赛怎么样？
想想你真的想要一场比赛来跳过这个问题，空比赛怎么样？
在这里的MATLAB帮助页面上，我可以看到一个'emptymatch'选项，也许这是一个值得尝试的东西。
例如
the_thing_i_want_to_find|
匹配"；_ hing_i_want_to_；或空匹配，请注意|字符。
在捕获组中，它可能看起来像这样：
(the_thing_i_want_to_find|)
作为一种变通方法，我发现使用regexprep可以用来查找缺少thing3的条目。例如：
replace='$1 ''thing3'': ''Unknown'', ''morestuff''';
missingexpr='(?<=thing2'':s?)(''?-?[wd().]*?''?,) ''morestuff''';
regexprep(mycell{2},missingexpr,replace)
ans =
''thing1': '617', 'thing2': '239', 'thing3': 'Unknown', 'morestuff':, '''
将其应用于整个阵列：
fixedcell=cellfun(@(x) regexprep(x,missingexpr,replace),mycell);
out=cellfun(@(x) regexp(x,expr3,'tokens','once'),fixedcell,'UniformOutput',false);
这感觉有点迂回，但它是有效的。
cellfun可以替换为一个普通的旧for循环。您的代码要么同样快，要么甚至更快。cellfun是用循环实现的，无论如何，使用它除了代码行数较少之外没有任何好处。在显式循环中，您可以检查regexp的输出，并以任何您喜欢的方式构建输出数组。