如何使用正则表达式来匹配首字母顺序相邻的两个单词？

Question

我最近了解到

()

可以用于定义正则表达式中的模式，并且使用

\\1

可以引用

()

中定义的第一组字符串。

这是一个强大的想法，因为我可以用它来提取以同一字母开头的两个单词。例如：

# Load the package:
library(stringr)

# Define a list of example sentences:
sentences <- c("She likes butter chicken.",
               "He loves mango.",
               "Lara makes nuggets.",
               "We want help.")

# Extract the matched two words, which follows the pattern defined below:
str_extract_all(string = sentences, 
                pattern = regex(pattern = "\\b(\\w)\\w*\\s\\b\\1\\w*\\b",
                                ignore_case = TRUE))

这是我使用的正则表达式

\\b(\\w)\\w*\\s\\b\\1\\w*\\b

的细分：

\\b

：第一个单词开始的单词边界

(\\w)

：单词字符作为第一个模式，这里指的是第一个单词的第一个字母

\\w*

：更多单词字符，这里指第一个单词的其余字母

\\b

：第一个单词结束的单词边界

\\s

：空白

\\b

：第二个单词开始的单词边界

\\1

：第一个模式，这里指的是第二个单词的第一个字母

\\w*

：更多单词字符，这里指的是第二个单词的剩余字母

\\b

：第二个单词结束的单词边界

我会得到预期的结果：

[[1]]
character(0)

[[2]]
character(0)

[[3]]
character(0)

[[4]]
[1] "We want"

我只是想知道，如何修改正则表达式，以便它可以提取两个首字母按字母顺序相邻的单词？例如，我希望匹配这些单词（在

*

之间标记）：

c("She likes *butter chicken*.",
  "He *loves mango*.",
  "Lara *makes nuggets*.",
  "We want help.")

butter chicken

、

loves mango

和

makes nuggets

将被匹配，因为对于每个组，它们的第一个字母是相邻的 ^:（例如

b

在

c

之前）。

^：假设仅降序（即从 A -> Z）。

我希望我的描述很清楚，并且我很感激任何能达到预期结果的提示。谢谢。

Answer 1

创建一个函数

conseq

，它接受长度为 2 的字符向量

x

，如果

x[2]

的第一个字母紧跟在字母表中

x[1]

的第一个字母后面，则返回 it，否则返回 NULL。然后将其应用于每对连续的单词。我们假设不区分大小写。

library (zoo)

conseq <- function(x) {
  first <- substring(tolower(x), 1, 1)
  if (isTRUE(match(first[2], letters) ==
    match(first[1], letters) + 1)) x
}
  
lapply(strsplit(sentences, "[^a-zA-Z]+"),
  rollapply, width = 2, conseq)

给予

[[1]]
     [,1]     [,2]     
[1,] "butter" "chicken"

[[2]]
     [,1]    [,2]   
[1,] "loves" "mango"

[[3]]
     [,1]    [,2]     
[1,] "Lara"  "makes"  
[2,] "makes" "nuggets"

[[4]]
numeric(0)

注意

从问题中获取的输入

sentences <- c("She likes butter chicken.",
               "He loves mango.",
               "Lara makes nuggets.",
               "We want help.")