正则表达式可以独立工作，但在str分支中一起使用时则不行

Question

我正在尝试使用str分支和perl正则表达式在R中拆分字符串。该字符串由用句点或连字符分隔的各种字母数字标记组成，例如"WXYZ-AB-A4K7-01A-13B-J29Q-10"。我想拆分字符串：

• 只要出现连字符
• 无论何时出现句点
• 令牌的第二个字符和第三个字符之间的长度正好为3个字符，由2个数字和1个大写字母组成，例如，产生[“01”，“a”]（但不拆分“012A”、“B1A”、“0A1”、和“01A2”）

例如，"WXYZ-AB-A4K7-01A-13B-J29Q-10"应该产生["WXYZ"，"AB"，"01"，"A"，"13"，"B"，"J29Q"，"10"]。

我当前的正则表达式是（（？

此外，备选方案的两部分，<代码>（？

#correctly splits on periods and hyphens
strsplit("WXYZ-AB-A4K7-01A-13B-J29Q-10", "[.-]", perl=T)
[[1]]
[1] "WXYZ" "AB"   "A4K7" "01A"  "13B"  "J29Q" "10"

#correctly splits tokens where a letter follows two digits
strsplit("WXYZ-AB-A4K7-01A-13B-J29Q-10", "((?<=[-.]\\d{2})(?=[A-Z][-.]))", perl=T)
[[1]]
[1] "WXYZ-AB-A4K7-01" "A-13"            "B-J29Q-10"

但当我尝试使用另一种方法组合它们时，第二个正则表达式停止工作，字符串仅在句点和连字符上拆分：

#only second alternative is used
strsplit("WXYZ-AB-A4K7-01A-13B-J29Q-10", "((?<=[-.]\\d{2})(?=[A-Z][-.]))|[.-]", perl=T)
[[1]]
[1] "WXYZ" "AB"   "A4K7" "01A"  "13B"  "J29Q" "10"

为什么会这样？这是我的正则表达式的问题还是strsplit的问题？我怎样才能达到预期的行为？

## [[1]]
## [1] "WXYZ" "AB"   "A4K7" "01"   "A"    "13"   "B"    "J29Q" "10"




Answer 1

多亏了Rich Scriven和Jota，我才解决了这个问题。每次strsplit找到匹配项时，它都会删除匹配项及其左侧的所有内容，然后再查找下一个匹配项。这意味着，当lookbehind与之前的匹配重叠时，依赖lookbehind的正则表达式可能无法按预期工作。在我的例子中，令牌之间的连字符在匹配时被删除，这意味着第二个正则表达式无法使用它们来检测令牌的开头：

#first match found
"WXYZ-AB-A4K7-01A-13B-J29Q-10"
     ^

#match + left removed
"AB-A4K7-01A-13B-J29Q-10"

#further matches found and removed
"01A-13B-J29Q-10"

#second regex fails to match because of missing hyphen in lookbehind:
#((?<=[-.]\\d{2})(?=[A-Z][-.]))
# ^^^^^^^^
"01A-13B-J29Q-10"

#algorithm continues
"13B-J29Q-10"

根据Jota的建议，这是通过替换[.-]类来用边界锚点检测Lookback中令牌的边缘来修复的：

> strsplit("WXYZ-AB-A4K7-01A-13B-J29Q-10", "[-.]|(?<=\\b\\d{2})(?=[A-Z]\\b)", perl=T)
[[1]]
[1] "WXYZ" "AB"   "A4K7" "01"   "A"    "13"   "B"    "J29Q" "10"

Answer 2

您可以使用正向前瞻的消费版本（匹配重置运算符），以确保strsplit在R中正确工作，并避免在正向前瞻中使用反向前瞻的问题。

"(?<![^.-])\\d{2}\\K(?=[A-Z](?:[.-]|$))|[.-]"

在线查看R演示（以及此处的正则表达式演示）。

strsplit("XYZ-02-01C-33D-2285", "(?<![^.-])\\d{2}\\K(?=[A-Z](?:[.-]|$))|[.-]", perl=TRUE)
## => [[1]]
##    [1] "XYZ"  "02"   "01"   "C"    "33"   "D"    "2285"

strsplit("WXYZ-AB-A4K7-01A-13B-J29Q-10", "(?<![^.-])\\d{2}\\K(?=[A-Z](?:[.-]|$))|[.-]", perl=TRUE)
## => [[1]]
##    [1] "WXYZ" "AB"   "A4K7" "01"   "A"    "13"   "B"    "J29Q" "10" 

在这里，模式匹配：

• <代码>（？

Answer 3

另一种避免您考虑strsplit算法如何工作的方法是，将原始正则表达式与gsub一起使用，在所有正确的位置插入一个简单的拆分字符，然后使用strsplit进行直接拆分。

strsplit(
    gsub("((?<=[-.]\\d{2})(?=[A-Z][-.]))|[.-]", "-", x, perl = TRUE),
    "-", 
    fixed = TRUE)
#[[1]]
#[1] "XYZ"  "02"   "01"   "C"    "33"   "D"    "2285"

当然，RichScriven的回答和Wiktor Stribiżew的评论可能更好，因为它们只有一个函数调用。