照片由 Bryan Natanael 在 Unsplash 上提供。

这篇博客文章源于我对正则表达式（regex）的沮丧和回避，这种情况持续了很长一段时间。

数月来，我一直拖延学习正则表达式的想法，因为说实话，它们看起来非常令人生畏，尤其是当你第一次遇到它们时。我的意思是，一串字符连在一起，似乎没有任何逻辑可言 —— 没有人有时间处理这些东西！

直到最近我在工作中接到了一项任务，需要从字符串中检索元素，我才真正认识到正则表达式的威力。而事实证明，一旦你理解了基础知识，它其实并不那么糟糕。

因此，在本文中，我将解释什么是正则表达式，介绍一些基本的正则表达式字符，最重要的是，使用几个实际示例演示如何使用 R 编程语言执行正则表达式。具体来说，我们将讨论正则表达式中捕获组的概念。

如果你更喜欢 Python，可以在我的 GitHub 上找到代码的 Python 版本 这里。

什么是正则表达式？

正则表达式既不是库，也不是编程语言。相反，正则表达式是一系列字符，它们指定了任何给定文本（字符串）中的搜索模式。

文本可以包含从字母到数字、从空格字符到特殊字符的任何东西。只要字符串遵循某种模式，正则表达式就足够强大，能够捕获该模式并返回字符串的特定部分。

你需要了解的基本正则表达式字符

现在，在我们深入了解细节之前，我认为首先重要的是我们先了解一些正则表达式的基础知识。

本文稍后的示例将建立在这里阐述的一些主要概念上，即：字符、分组和量词。

字符

• 转义字符：\
• 任何字符：.
• 数字：\d
• 非数字：\D
• 字符或数字：\w
• 非字符或数字：\W
• 空格：\s
• 非空格：\S
• 字边界：\b
• 非字边界：\B
• 字符串开头：^
• 字符串结尾：$

分组

• 匹配方括号内的字符：[ ]
• 匹配不在方括号内的字符：[^ ]
• 或：|
• 捕获组：( )

量词

• 0 或更多：*
• 1 或更多：+
• 0 或 1：?
• 精确数量的字符：{ }
• 字符数量范围：{最小值，最大值}

正则表达式示例

不要担心，如果你现在还不理解上面的正则表达式字符 —— 它们只是我们即将讨论的示例的参考。

在本节中，我们将关注 6 个不同的示例，这些示例将有助于加强你对正则表达式的理解。实际上，我们将关注：

• 2 个数字示例（电话号码和日期）
• 2 个字母示例（姓名和 URL）
• 2 个数字和字母的示例（电子邮件地址和地址）

在开始之前，请确保已安装并加载了 tidyverse 包。

1. 电话号码

假设我们有一个名为 phone 的数据框，其中包含如下电话号码列表：

我们希望将这些电话号码分解为 3 个单独的组件：区号（前 3 个数字）、交换机（接下来的 3 个数字）和线路号码（最后的 4 个数字）。

正如我们所看到的，这里的数字模式并不总是一致的，即它们具有不一致的括号、连字符和空格。然而，借助正则表达式的帮助，我们可以轻松地捕获数字组。

首先，我们需要定义一个正则表达式模式。

pattern <- "\\(?\\d{3}\\)?[[:punct:]]?\\s?\\d{3}[[:punct:]]?\\d{4}"

我们如何逐步解释这个模式？我们一步一步来，从左到右：

• .? 0 或 1 个字符，以适应可选的左括号
• (\\d{3}) 3 个数字字符（第一个捕获组，即前 3 个数字）
• .* 0 或更多个字符，以适应可选的右括号、连字符和空格字符
• (\\d{3}) 3 个数字字符（第二个捕获组，即接下来的 3 个数字）
• .* 0 或更多个字符，以适应可选的连字符和空格字符
• (\\d{4}) 4 个数字字符（第三个捕获组，即最后的 4 个数字）

然后，我们可以使用 str_match 函数使用我们定义的正则表达式模式检索捕获组，并将它们放入数据框中的单独列中。

library(tidyverse)

phone %>%
  mutate(matches = str_match(number, pattern)) %>%
  mutate(area_code = matches[, 2],
         exchange = matches[, 4],
         line_number = matches[, 6])

输出如下：

2. 日期

假设我们有另一个名为 date 的数据框，其中包含带有不一致分隔符的日期，我们想要提取天、月和年。

使用与我们刚才在电话号码中看到的非常相似的方法，我们需要首先定义一个正则表达式模式，然后将模式与原始日期列进行匹配，最后为每个捕获组创建一个新列。

首先，定义日期的正则表达式模式。

pattern <- "(\\d{2}).(\\d{2}).(\\d{4})"

代码解释：

• (\\d{2}) 2 个数字字符（第一个捕获组，即天）
• . 单个字符，用于考虑所有特殊字符
• (\\d{2}) 2 个数字字符（第二个捕获组，即月）
• . 单个字符，用于考虑所有特殊字符
• (\\d{4}) 4 个数字字符（第三个捕获组，即年）``` 现在，我们可以匹配模式并为日期创建单独的列，包括日、月和年份。

3. 姓名

到目前为止，我们已经探索了两个只包含数字和特殊字符的字符串示例。现在让我们学习如何捕获单词和字母。

这里有一个名为“names”的数据框，包含人们的姓氏、头衔和名字。

让我们将它们分开，使它们各自拥有自己的单独列。

• (\\w+) 一个或多个单词字符（第一个捕获组，即姓氏）
• , 逗号字符
• \\s 一个空格字符
• (Mr|Ms|Mrs|Dr) 先生、女士、夫人或博士（第二个捕获组，即头衔）
• .? 标题后面的0或1个句号字符
• \\s 一个空格字符
• (\\w+) 一个或多个单词字符（第三个捕获组，即名字）

现在，将它们放入单独的列中。

4. URL

让我们看另一个包含单词和字母的字符串示例。

到现在为止，你应该已经熟悉了这个过程。

• (https?) http或https（第一个捕获组，即架构）
• :// 特定的特殊字符串
• (www)? 可选的www（第二个捕获组，即子域名）
• .? 0或1个句号字符
• (\\w+) 一个或多个单词字符（第三个捕获组，即二级域名）
• . 一个句点字符
• (\\w+) 一个或多个单词字符（第四个捕获组，即顶级域名）
• /? 0或1个反斜杠字符
• (\\w+)? 可选的一个或多个单词字符（第五个捕获组，即子目录）

将捕获组分成单独的列，我们得到：

5. 电子邮件地址

利用我们已经掌握的有关正则表达式的知识，现在让我们看看包含字母和数字的两个最终字符串示例。

假设我们在一个名为“email”的数据框中有一个电子邮件列表。

现在，生成一个正则表达式模式来匹配用户名、域名和域名。

• ([a-zA-Z0-9\\_\\-\\.]+) 一个或多个小写字母、大写字母、数字和特殊字符，包括下划线、连字符和句点（第一个捕获组，即用户名）
• @ 符号
• ([a-zA-Z]+) 一个或多个小写和大写字母（第二个捕获组，即域名）
• . 一个句点字符
• (.+) 一个或多个字符（第三个捕获组，即域名）

然后，将此正则表达式模式应用于电子邮件列表：

6. 地址

当然，我留下了最好的例子供你参考。这个例子与我在工作中所做的相同。

为了重新创建那个工作片段，我创建了一个名为“address”的数据框，其中包含虚构地址。目标是检索房屋编号、街道名称、郊区、州和邮政编码。

像往常一样，我们需要首先定义一个正则表达式模式。

• (\\d*) 0或多个数字字符，因为有些地址没有房屋编号（第一个捕获组，即房屋编号）
• \\s? 0或1个空格字符
• (.+) 一个或多个字符（第二个捕获组，即街道名称）
• , 逗号
• \\s 一个空格字符
• (.+) 一个或多个字符（第三个捕获组，即郊区）
• \\s 一个空格字符
• ([A-Z]{2,3}) 2或3个大写字母（第四个捕获组，即州）
• \\s 一个空格字符
• (\\d{4}) 4个数字字符（第五个捕获组，即邮政编码）

将此模式与地址列表匹配，我们得到：

我希望通过本博客文章中演示的6个示例，你不仅能够更好地理解正则表达式的工作原理，更重要的是，能够欣赏其在匹配复杂字符串模式方面的灵活性。

译自：https://towardsdatascience.com/regular-expressions-clearly-explained-with-examples-822d76b037b4