R regex - 提取以@符号开头的单词

Question

我正在尝试使用 R stringr package 从推文中提取推特句柄。例如，假设我想获取向量中以 "A" 开头的所有单词。我可以这样做

library(stringr)

# Get all words that begin with "A"
str_extract_all(c("hAi", "hi Ahello Ame"), "(?<=\b)A[^\s]+")

[[1]]
character(0)

[[2]]
[1] "Ahello" "Ame"

太棒了。现在让我们用“@”代替 "A"

来做同样的事情

str_extract_all(c("h@i", "hi @hello @me"), "(?<=\b)\@[^\s]+")

[[1]]
[1] "@i"

[[2]]
character(0)

为什么这个例子给出了与我预期相反的结果，我该如何解决？

Answer 1

看来你的意思可能是

str_extract_all(c("h@i", "hi @hello @me", "@twitter"), "(?<=^|\s)@[^\s]+")
# [[1]]
# character(0)
# [[2]]
# [1] "@hello" "@me" 
# [[3]]
# [1] "@twitter"

正则表达式中的\b是一个边界，它出现在"Between two characters in the string, where one is a word character and the other is not a word character."see here。由于space和“@”都是非单词字符，所以“@”之前没有边界。

在此版本中，您可以匹配字符串的开头或 spaces 之后的值。

Answer 2

上面的答案应该足够了。这将删除 @ 符号，以防您仅尝试获取用户名。

str_extract_all(c("@tweeter tweet", "h@is", "tweet @tweeter2"), "(?<=\B\@)[^\s]+")
[[1]]
[1] "tweeter"

[[2]]
character(0)

[[3]]
[1] "tweeter2"

虽然我不是正则表达式专家，但问题可能出在 @ 符号不对应单词字符，因此匹配单词开头的空字符串 (\b ) 不起作用，因为 @ 在单词前面时没有空字符串。

这里有两个很棒的正则表达式资源，以防您没有看到它们：

stat545
Stringr's Regex page，也可用作插图：

vignette("regular-expressions", package = "stringr")

Answer 3

关于您的正则表达式的几件事：

(?<=\b) 等同于\b 因为一个字边界已经是零宽度断言
\@ 与 @ 相同，因为 @ 不是特殊的正则表达式元字符，您不必转义它
[^\s]+ 与 \S+ 相同，几乎所有 shorthand 字符类在正则表达式中都有它们的否定对应物。

因此，您的正则表达式 \b@\S+ 与 h@i 中的 @i 匹配，因为 h（一个字母，一个字符字符）和 @（非单词字符，不是字母、数字或下划线）。检查 this regex debugger.

\b 是一个模棱两可的模式，其含义取决于正则表达式上下文。在您的情况下，您可能想要使用 \B，一个非单词边界，即 \B@\S+，它将匹配前面带有非单词字符或在字符串的开头。

x <- c("h@i", "hi @hello @me")
regmatches(x, gregexpr("\B@\S+", x))
## => [[1]]
## character(0)
## 
## [[2]]
## [1] "@hello" "@me"

参见regex demo。

如果您想摆脱这种 \b/\B 歧义，请使用带有 stringr 方法的环视或带有 perl=TRUE 参数的基本 R 正则表达式函数来使用明确的词边界：

regmatches(x, gregexpr("(?<!\w)@\S+", x, perl=TRUE))
regmatches(x, gregexpr("(?<!\S)@\S+", x, perl=TRUE))

其中：

(?<!\w) - 一个明确的起始单词边界 - 是一个否定的后视，确保在当前位置的左侧有一个非单词字符或字符串开头
(?<!\S) - 一个空白起始字边界 - 是一个负向后视，确保在当前位置的左侧或字符串.

参见 this regex demo and another regex demo here。

请注意，相应的右手边界是 (?!\w) 和 (?!\S)。

R regex - 提取以@符号开头的单词

R regex - extract words beginning with @ symbol

regex

r

stringr