r - 提取字符串，但有一些异常(exception)

Question

我有一堆具有这种模式的字符串:

w <- c("milan 01", "New York", "las vegas 123", "London abc")

我只想提取城市名称，即第一个字符串或前两个字符串，中间有一个空格。

但我也必须对像“London”这样的情况异常(exception)。

(为了简化问题，我可以将字符串 "abc" 作为异常(exception)传递给正则表达式)。

我已经这样做了:

library(stringr)

str_extract(w, "^\\S*\\s+(\\S+)")
#[1] "milan 01"   "New York"   "las vegas"  "London abc"

str_extract(w, "^\\S*\\s+(\\S+)(\\D)") # can't understand why this won't work
#[1] NA           "New York"   "las vegas " "London abc"

期望:

#[1] "milan"   "New York"   "las vegas"  "London"

Answer 1

您可以使用

> library(stringr)
> w <- c("Milan 01", "New York", "Las vegas 123", "London abc")
> str_extract(w, "^\\p{L}+(?:\\s+(?!abc\\b)\\p{L}+)?")
# => [1] "milan"     "New York"  "las vegas" "London"  

如果第一个单词也不能是 abc，请将前瞻添加到开头:

> str_extract(w, "^(?!abc\\b)\\p{L}+(?:\\s+(?!abc\\b)\\p{L}+)?")   
                   ^^^^^^^^^^

详细信息

• ^ - 字符串开头
• \\p{L}+ - 1+ 个字母(如果您打算仅支持 ASCII，则可以使用 [a-zA-Z]+ 代替)
• (?:\\s+(?!abc\\b)\\p{L}+)? - 可选序列
  • \\s+ - 1+ 个空格
  • (?!abc\\b) - 不允许将整个单词 abc 紧邻当前位置的右侧
  • \\p{L}+ - 1+ 个字母

基本 R sub 等效项:

> sub("(?s)^(\\p{L}+(?:\\s+(?!abc\\b)\\p{L}+)?).*", "\\1", w, perl=TRUE)
> ## OR > sub("(?s)^(?!abc\\b)(\\p{L}+(?:\\s+(?!abc\\b)\\p{L}+)?).*", "\\1", w, perl=TRUE)
[1] "milan"     "New York"  "las vegas" "London"

这里，(?s) 使 . 匹配包括换行符在内的任何字符，整个特定部分包含在捕获括号中，并且匹配被替换为 Group 1 个值。