使用正则表达式提取特定字符

Question

text <- c('d__Viruses|f__Closteroviridae|g__Closterovirus|s__Citrus_tristeza_virus',
'd__Viruses|o__Tymovirales|f__Alphaflexiviridae|g__Mandarivirus|s__Citrus_yellow_vein_clearing_virus',
'd__Viruses|o__Ortervirales|f__Retroviridae|s__Columba_palumbus_retrovirus')

我试过，但失败了：

str_extract(text, pattern = 'f.*\\|') 

我怎么才能得到

f__Closteroviridae

f__Alphaflexiviridae

f__Retroviridae

任何帮助都将是非常感谢的！

Answer 1

使正则表达式不贪婪，并且由于您不希望"|"在最终的输出中使用积极的前瞻性。

stringr::str_extract(text, 'f.*?(?=\\|)') 
#[1] "f__Closteroviridae"   "f__Alphaflexiviridae" "f__Retroviridae"   

在基本R中，我们可以使用sub：

sub('.*(f_.*?)\\|.*', '\\1', text)
#[1] "f__Closteroviridae"   "f__Alphaflexiviridae" "f__Retroviridae" 

Answer 2

对于基本的R解决方案，我将使用regmatches和gregexpr

m <- gregexpr("\\bf__[^|]+", text)
as.character(regmatches(text, m))

[1] "f__Closteroviridae"   "f__Alphaflexiviridae" "f__Retroviridae"

如上所述，使用gregexpr的优点是，如果输入包含多个f__匹配项，我们也可以捕获它。例如：

x <- 'd__Viruses|f__Closteroviridae|g__Closterovirus|f__some_virus'
m <- gregexpr("\\bf__[^|]+", x)
regmatches(x, m)[[1]]

[1] "f__Closteroviridae" "f__some_virus" 

数据：

text <- c('d__Viruses|f__Closteroviridae|g__Closterovirus|s__Citrus_tristeza_virus',
          'd__Viruses|o__Tymovirales|f__Alphaflexiviridae|g__Mandarivirus|s__Citrus_yellow_vein_clearing_virus',
          'd__Viruses|o__Ortervirales|f__Retroviridae|s__Columba_palumbus_retrovirus')