在r中用正则表达式提取子字符串，用矩阵输出列表

Question

我想从 r 中的字符串中提取子字符串。我用 regex101 测试了它，它确实提取了我想要的子字符串，但它也匹配字符串中的每个其他字符，并为我提供了一个带有矩阵的列表，其中它尝试匹配字符串中的每个字符，但因为它只匹配几个，我得到很多空字符串。我只想要匹配结果，不需要列表或矩阵或其他。

我有一个参考书目，想要提取对一卷、一期或一个数字的所有引用（包括以下数字，罗马数字和阿拉伯数字）。因此，它对卷、期和编号 1 以及 I 或 II 进行数学计算。有时我的字符串中也会有多个这样的字符串（第 3 卷，第 2 期）。 谁能告诉我为什么它检查每个字符？

这是我到目前为止的代码：

string <- 'ABC  (2013c), Something Something Text (Volume II): Some more blabla, the usual, end of string'

pattern <- "[V|v]ol(?:ume)?\\s*(\\d+|(V?I{0,3}X?L?C{0,3}D?M?))|(?:\\s+(Issue|No|Nr|nr|no|Number)\\s*(\\d+|V?I{0,3}X?L?C{0,3}D?M?))?"
  matches <- str_match_all(string , pattern)

Answer 1

主要问题是

|

之后的模式部分被可选的非捕获组包裹，即使所有其他拼写错误都已修复，该问题仍然需要解决。

OR 运算符两端的数字匹配部分是相同的，因此您可以将两种选择合并为一个并简单地使用

string <- 'ABC  (2013c), Something Something Text (Volume II): Some more blabla, the usual, end of string'
 
rx <- paste0("\\b(?:[Vv]ol(?:ume)?|Issue|No|Nr|nr|no|Number)\\s*(?:\\d+|V?I{0,3}X?L?C{0,3}D?M?)")
library(stringr)
str_extract_all(string, rx)
## => [[1]]
##    [1] "Volume II"

在线观看 R 演示

图案看起来像

\b(?:[Vv]ol(?:ume)?|Issue|No|Nr|nr|no|Number)\s*(?:\d+|V?I{0,3}X?L?C{0,3}D?M?)

请参阅正则表达式演示。 详情：

• \b

  - 单词边界

• (?:[Vv]ol(?:ume)?|Issue|No|Nr|nr|no|Number)

  -

  vol

  、

  Vol

  、

  volume

  、

  Volume

  、

  Issue

  、

  No

  、

  Nr

  、

  nr

  、

  no

  或

  Number 

• \s*

  - 零个或多个空格

• (?:\d+|V?I{0,3}X?L?C{0,3}D?M?)

  - 一位或多位数字或可选的

  V

  ，然后是零到三个

  I

  ，然后是可选的

  X

  ，可选的

  L

  ，C 出现零到 3 次，然后是可选的

  D 

  和可选的

  M

  。