R "eats" 部分字符串中的正则表达式

Question

我想将一个字符串分成两组。字符串的结构很简单，但我还没能实现它。

txt <- "text12-01-2016"

它总是一些字母，后面跟着一个日期，而日期显然以数字开头。我在 https://regex101.com/ 处尝试了以下正则表达式并有效地正确分隔了字符串：

([a-zA-Z]*)([0-9].*)
1. "text"
2. "12-01-2016"

但是当我在 R 中尝试时它失败了：

strsplit(a[1],split = "([a-zA-Z]*)([0-9]*)")
[[1]]
 [1] ""  " " ""  "." " " ""  " " ""  "-" ""  "-" ""

如果我引入双方括号，那么它 "eats" 输出第一组的最后一个字符，以及第二组的第一个字符：

strsplit(txt,split = "([[a-zA-Z]]*)([[0-9]]*)")
[[1]]
[1] "tex"      "2-01-2016"

我用perl=TRUE没关系。如果我使用 stringi::stri_split，结果也是一致的，所以这是我的正则表达式中的问题。

在这种情况下，正确的正则表达式是什么？

Answer 1

这里的"problem"是你有一个正则表达式用于匹配，而不是用于拆分。

您可以将 following PCRE regex 与 strsplit 一起使用：

strsplit(txt,split = "(?<=[a-zA-Z])(?=[0-9])", perl=T)
[[1]]
[1] "text"       "12-01-2016"

正则表达式将匹配字母和数字之间的位置，strsplit 将拆分结果。如果需要，您可以进一步取消列出它。

如果您想使用正则表达式，请使用 stringr 中的 str_match:

> library(stringr)
>str_match(txt,  "([a-zA-Z]*)([0-9].*)")
     [,1]             [,2]   [,3]        
[1,] "text12-01-2016" "text" "12-01-2016"

regex in R "eats" part of the string