R语言中的正则表达式

• 定义：正则表达式是对字符串[包括普通字符(例如，a 到 z 之间的字母)和特殊字符(称为"元字符")]操作的一种逻辑公式，就是用事先定义好的一些特定字符及这些特定字符的组合，组成一个"规则字符串"，这个"规则字符串"用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，该模式描述在搜索文本时要匹配的一个或多个字符串。

• 目的：给定一个正则表达式和另一个字符串，我们可以达到如下的目的
  1. 给定的字符串是否符合正则表达式的过滤逻辑(称作"匹配"):
  2. 可以通过正则表达式，从字符串中获取我们想要的特定部分。

• 特点
  1. 灵活性、逻辑性和功能性非常强;
  2. 可以迅速地用极简单的方式达到字符串的复杂控制。
  3. 由于正则表达式主要应用对象是文本，因此它在各种文本编辑器场合都有应用，小到著名编辑器EditPlus，大到Microsoft Word、Visual Studio等大型编辑器，都可以使用正则表达式来处理文本内容。

⚠️R中的grep、grepl、sub、gsub、regexpr、gregexpr等函数都使用正则表达式的规则进行匹配。
这些函数的用法见：字符串的处理

1. 原义表达式

mystring1 <- c('apple','orange')
grep('p',mystring1)
# [1] 1

p匹配的是它自己，这就是原义表达式。

2. 转义表达式（它在正则表达式中代表的不是它自己，而是有别的含义）

2.1：. 表示除了换行符以外的任一字符

 mystring2 <- c('huihui','.dfs','-lhr')
grep('.',mystring2)
# [1] 1 2 3

sub("a.c","",c("abcd","sdacd"))
[1] "d"     "sdacd"

本来只想匹配 . ，但是在这里这个点代表了所有字符，于是返回了1 2 3。这个. 就是一个转义表达式。

2.2: [ ]

mystring3 <- c('33l','.jz19','hal6')
grep('[7:9]',mystring3)
# [1] 2

grep('[3-4]',mystring3)
# [1] 1

sub("[1-9]","",c("ab001","001ab"))
[1] "ab00" "00ab"

分别提取含7-9的数字或3-4的数字的字符串

2.3: ^ 匹配一个字符串的开始

^XX就是以XX开头的意思

mystring4 <- c('Alice','apple','abandon','Hayley','application')
grep('^ap',mystring4)
# [1] 2 5

sub("^a","",c("abcd","dcba"))
[1] "bcd"  "dcba"

当^放在方括号内是取非的意思

grep('[^7-9]',mystring3)
# [1] 1 2 3

2.4: { } 表示重复几次的作用

mystring5 <- c('1220','2289','2228','10002')
grep('2{2,3}',mystring5)
# [1] 1 2 3

2{2,3}是寻找2倍重复了2到3次的意思
2{2,}是寻找2倍重复了大于2次（2到+无穷）的意思

2.5: + 匹配1或多个正好在它之前的那个字符

mystring6 <- c('food','foot','for','fans')
grep('fo+',mystring6)
# [1] 1 2 3
grep('fo{1,}',mystring6)
# [1] 1 2 3

fo+表示+紧跟着的o可以被重复1次或1次以上
大括号也可以起到这样的作用

若想让紧跟在o后面的对fo都起作用，需要小括号

grep('(fo){1,}',mystring6)
# [1] 1 2 3

2.6: * 表示将其前的字符进行0个或多个的匹配

与+用法一致。+表示重复了1次或1次以上，*表示0次或0次以上。
.* 可以匹配任意字符

2.7: 管道符| 表示逻辑的或

mystring7 <- c('kobe','messi','meymar')
grep('^k|^m',mystring7)
# [1] 1 2 3

管道符连接前后，符合其一即会被返回

2.8: $ 匹配字符串的结尾

mystring8 <- c('active','positive','negative','intension')
grep('ive$',mystring8)
# [1] 1 2 3

sub("a$","",c("abcd","dcba"))
[1] "abcd" "dcb"

\\b也可以起到一样的作用，但\\b更灵活，既可以放开头也可以放结尾。（\\b主要是匹配边界）

2.9: ? 匹配0或1个正好在它之前的那个字符

• 匹配任意多个字符（0-正无穷个）
  ？匹配任意单个字符（1个）

3. 保义字符: \

mystring9 <- c('active','pos^itive','negative','^intension')
grep('\^',mystring9)
# Error: '\^' is an unrecognized escape in character string starting "'\^"
grep('\\^',mystring9)
# [1] 2 4

\的作用就是说明^不是开头的意思，是要去匹配这个符号
对所有的转义符号都适用

4. 正则表达式中的特殊字符

特殊字符	匹配内容
\\b	匹配字符边界
\\B	匹配字符非边界
\\d	匹配数字0-9，等价于[0:9]
\\D	等价于[^0:9] 取非0-9
\\s	匹配空白的字符，包括空格、换行符等
\\S	匹配非空字符
\\w	匹配字母和数字（a-z A-Z 0-9..）
\\W	匹配非字母和数字
\\ <	匹配以空白字符开始的字符
\\ >	匹配以空白字符结束的字符

mystring10 <- c('2013','abcd','13sg')
grep('\\d',mystring10)
# [1] 1 3
grep('\\D',mystring10)
# [1] 2 3

mystring11 <- c('','    abcd','13  sg','apple')
grep('\\S',mystring11)
# [1] 2 3 4    空格也是一种空白，所以2和3也被返回了

mystring12 <- c('theory','the republic','they')
grep('\\<the\\>',mystring12)
#[1] 2
mystring13 <- c('theory','the republic','   the')
#[1] 2 3