regex - 使用正则表达式提取 SAS 中的子字符串

Question

问题

我需要使用正则表达式从 HTML 中提取特定字符串。字符串的名称始终遵循以下模式:

<2 digits><any number of characters>.zip

我想一步完成此操作。

我有什么

data have;
    infile datalines truncover;
    input Line $ 1-500;
    datalines;
"<td><a href=""Location/01data.zip"">2001</td>"
"<td><a href=""Location/02moarstuff.zip"">2002</td>"
;
run;

我需要什么

来自 HTML 代码的文件名和扩展名。

File               Line                                                   
01data.zip         "<td><a href=""Location/01data.zip"">2001</td>"         
02moarstuff.zip    "<td><a href=""Location/02moarstuff.zip"">2002</td>"    

我尝试过的

我尝试使用以下正则表达式:

/\d+\w+(\.zip)/

使用 http://regexr.com/ 进行测试后，表达式确实找到了正确的字符串。然后我尝试使用 page 3 of this SAS regex whitepaper 上找到的技术使用 prxchange() 删除除所需子字符串之外的所有内容功能:

data want;
    length File $25.;
    set have;

    file=prxchange('s/^.*\d+\w+(\.zip).*$/$1/',-1, line);
run;

这会让我:

File    Line                                                   
.zip    "<td><a href=""Location/01data.zip"">2001</td>"         
.zip    "<td><a href=""Location/02moarstuff.zip"">2002</td>" 

最终将字符串替换为 .zip ，但我缺少文件名。我尝试过 $ 的不同值在更换，但没有成功。

问题

我用这个正则表达式替换做错了什么？

Answer 1

你就快到了。只是对错误的对象进行分组:

file=prxchange('s/^.*\d{2}(\w+\.zip).*$/$1/',-1, line);