抓取n个字母单词不计撇号正则表达式

Question

我正试图更深入地学习R中的正则表达式。我给自己做了一件我认为很容易的事，我想不出来。我想提取所有4个字母的单词。在这四个字母的单词中，我想忽略（不算）撇号。我可以在没有正则表达式的情况下完成这项工作，但需要正则表达式解决方案。这是一个MWE和我尝试过的：

text.var <- "This Jon's dogs' 'bout there in Mike's re'y word."
pattern <- "\\b[A-Za-z]{4}\\b(?!')"
pattern <- "\\b[A-Za-z]{4}\\b|\\b[A-Za-z']{5}\\b"

regmatches(text.var, gregexpr(pattern, text.var, perl = TRUE)) 

**期望输出：**

[[1]]
[1] "This"  "Jon's"  "dogs'"  "'bout"  "word"

我以为第二种模式会工作，但它也抓取包含5个字符的单词。

Answer 1

您可以使用discard技术并使用如下正则表达式：

\b\w{0,2}\b(?:'\w)?|\b\w{3}(?!')\b|\b\w{5,}\b|('?\b\w+\b'?\w?)

工作演示

MATCH 1
1.  [0-4]   `This`
MATCH 2
1.  [5-10]  `Jon's`
MATCH 3
1.  [11-16] `dogs'`
MATCH 4
1.  [17-22] `'bout`
MATCH 5
1.  [32-36] `word`

对于R，需要对特殊字符进行转义。

正如您在regex模式中所看到的，您可以在模式的左侧使用您不想要的任何东西，并在最右侧的捕获组中留下您真正想要的东西。丢弃技术背后的理念是：

discard this|don't want this|still don't care this|(Oh yeah! I grab this)

感谢EdConttrell和johnwait帮助我改进答案。

Answer 2

您可以使用此模式：

(?i)(?<![a-z'])(?:'?[a-z]){4}'?(?![a-z'])

Answer 3

这是一个很有挑战性的问题，这里有一个棘手的答案。

> x  <- "This Jon's dogs' 'bout there in Mike's re'y word."
> re <- "(?i)('?[a-z]){5,}(*SKIP)(?!)|('?[a-z]){4}'?"
> regmatches(x, gregexpr(re, x, perl=T))[[1]]
## [1] "This"  "Jon's" "dogs'" "'bout" "word" 

说明：

其想法是跳过由5个或更多字母字符和可选撇号组成的任何单词模式。

在alternation操作符的左侧，我们匹配不需要的子模式。使其失败，并使用回溯控制强制正则表达式引擎不重试子字符串。如下所述：

(*SKIP) # advances to the position in the string where (*SKIP) was 
        # encountered signifying that what was matched leading up 
        # to cannot be part of the match

(?!)    # equivalent to (*FAIL), causes matching failure, 
        # forcing backtracking to occur

alternation运算符的右侧与我们想要的匹配。。。

>

本质上，简单地说，您使用的是丢弃技术。

(?:'?[a-z]){5,}|((?:'?[a-z]){4}'?)

您在上下文中使用交替运算符，将您想要排除的内容放在左侧（说扔掉这个，这是垃圾），并将您想要匹配的内容放在右侧的捕获组中。