匹配以已知模式开头的单词

Question

我正在努力匹配一个以已知模式开头，以空格或字符串结尾结束的完整单词。我想我有这个词的句型：

pat <- "https?:\\/\\/.*"

require(stringr)
str_extract("http://t.co/som7hing", pat)
# [1] "http://t.co/som7hing" # So far so good...

我不明白的是如何定义这个词的界限。有四种可能的情况需要考虑：

1. 我的URL位于字符串的开头
2. 我的URL在字符串的末尾
3. 我的URL前面有其他标记
4. 我的URL后面跟着其他标记

在所有四种情况下，我的模式应该只匹配URL，从头到尾。

str_extract("something something http://t.co/som7hing", pat)
# [1] "http://t.co/som7hing" 

到目前为止还不错..。

str_extract("http://t.co/som7hing ", pat)
# [1] "http://t.co/som7hing " 

第一个问题，尾随空间也是匹配的。

str_extract("http://t.co/som7hing #hash name", pat)
# [1] "http://t.co/som7hing #hash name" 

第二个问题，所有尾随词都匹配。

Answer 1

你要找的模式是

pat <- "https?:\\/\\/\\S*"

regex中的.将匹配任何字符，包括空格。您想要的是匹配任何非空白字符，这是使用\S完成的。

Answer 2

*是一个贪婪操作符；在匹配尾随空格和尾随词时都会出现问题。因此，.*将尽可能多地匹配，并且仍然允许正则表达式的其余部分匹配。

我建议使用以下正则表达式：

re <- '\\bhttps?://\\S+'

我们使用\b，这是一个字界。单词边界不消耗任何字符。它断言，一边有一个字字，另一边没有字。\S匹配任何非空白字符.

当我们在发布的例子中执行此操作时，您可以看到。

x  <- c('http://t.co/som7hing', 
        'http://t.co/som7hing ',
        'something something http://t.co/som7hing', 
        'http://t.co/som7hing #hash name',
        'foohttp://www.example.com',
        'barhttp://www.foo.com    ')

re <- '\\bhttps?://\\S+'

for (i in x) print(str_extract(i, re))
# [1] "http://t.co/som7hing"
# [1] "http://t.co/som7hing"
# [1] "http://t.co/som7hing"
# [1] "http://t.co/som7hing"
# [1] NA
# [1] NA

最后两个由于单词边界而不匹配，现在如果要匹配字符串中任何位置的前缀，请从正则表达式中删除边界。

Answer 3

我觉得这很管用。它与一个空间相匹配，然后停在那里。我使用反斜杠来转义地址中的冒号和正斜杠。我没有匹配任何数字的字符，而是匹配了任何不是空格的字符!\S

https?\:\/\/[!\S]*

我在http://regexpal.com/上测试过这个