时间戳

首页 > 解决方案 > 获取r中字符串中模式的重叠位置

r - 获取r中字符串中模式的重叠位置

问题描述

客观的：

在允许重叠的字符串中查找模式的所有位置（开始和结束索引）。

方法：

这些stri_locate_all_*函数返回一个模式在字符串中的位置列表。该列表包括包含每个匹配位置的开始索引和结束索引的矩阵。这对我的目的很方便。

对于固定模式，以下方法效果很好：

s <- "---"
pattern <- "--"
stri_locate_all_fixed(s, pattern, overlap = TRUE)
[[1]]
    start   end
[1,]    1   2
[1,]    2   3

字符串“s”中出现了两次模式“--”。第一个从 s 的索引 1 开始，到索引 2 结束；第二个从索引 2 开始，到索引 3 结束。

---
---

但是，在我的情况下，模式可能包含多个允许的字符（以任何顺序或组合），并且模式的长度可能会改变。因此，“正则表达式”似乎比“固定”更合适。

考虑模式长度为 2，由“-”和“1”的任意组合（即“-1”、“1-”、“--”、“11”）和stri_locate_all_regex.

pattern <- "[1|-]{2}"
s <- "-1-"    
stri_locate_all_regex(s, pattern)
[[1]]
    start   end
[1,]    1   2

请注意，stri_locate_all_regex不使用重叠属性，因此如果我想捕获重叠，则必须调整模式。

根据各种消息来源，我需要在我的正则表达式中添加一个积极的前瞻性。

pattern <- "(?=[1|-]{2})"

此模式应该（并且在regex101 测试仪上进行测试时确实如此）找到模式的重叠出现。

但是，当使用stri_locate_all_regex返回的值不是我想要的。

stri_locate_all_regex("---", "(?=[1|-]{2})")
[[1]]
     start end
[1,]     1   0
[2,]     2   1

在这里，该函数正确识别出存在两个匹配项并记录了起始索引，但结束索引低于起始索引。

Stringi文档指出：

“对于 stri_locate_*_regex，如果匹配长度为 0，则 end 将比 start 少一个字符。”

这表明匹配长度为 0；正则表达式“lookarounds”的描述进一步支持了这一观察：

“Lookahead 和lookbehind，统称为‘lookaround’，是零长度断言……lookaround 实际上匹配字符，但随后放弃匹配，只返回结果：匹配或不匹配。”

所以，我的问题似乎在于使用积极的前瞻断言，该断言似乎在“开始”索引处返回零长度位置。

我的提炼问题：

- 是否有更好的正则表达式方法来捕获重叠（非零长度）匹配？或者，

- 是否有比stri_locate_all_regex实现所需输出更好的 r 函数（字符串中模式匹配的所有开始/结束位置的列表）

谢谢！

标签： rregex

解决方案

您可以将gregexprPCRE 正则表达式与包含整个正向前瞻模式的捕获组一起使用：

pattern <- "(?=([1-]{2}))"
s <- "-1-"
res <- gregexpr(pattern, s, perl=TRUE)
starts <- attr(res[[1]],'capture.start') 
lengths <- attr(res[[1]],'capture.length')
ends <- starts + lengths - 1
df_positions <- do.call(rbind, Map(data.frame, start=starts, end=ends, length=lengths))
df_positions

输出：

  start end length
1     1   2      2
2     2   3      2

查看R 演示

推荐阅读