在r中解析sub和gsub的正则表达式

Question

我无法理解以下代码行中正则表达式的含义。

author = "10_1 A Kumar; Ahmed Hemani ; Johnny &Ouml;berg<" 

# after some experiment, it looks like this line captures whatever is in 
# front of the underscore. 
authodid = sub("_.*","",author) 

# this line extracts the number after the underscore, but I don't know 
# how this is achieved 
paperno <- sub(".*_(\\w*)\\s.*", "\\1", author) 

# this line extracts the string after the numbers 
# I also have no idea how this is achieved through the code 
coauthor <- gsub("<","",sub("^.*?\\s","", author)) 

我已经在网上看到第一个参数是模式，第二个是替换，第三个是对象操作。我也在SO上看到了一些帖子，并得知\\w表示一个字，\\s是一个空格。

但是，有几件事情还不清楚。 \\w表示单词，是否表示下一个单词？如果不是，我应该如何解释？我了解到^匹配字符串的开始，但^之后的那段时间呢？

更重要的是，什么是_.*的解释.*_^.*?\\s怎么样？我应该如何阅读它们？

谢谢！

Answer 1

好吧。有很多问题。首先要做的事情。

sub("_.*","",author)寻找_以及其后的所有内容。所以在你的情况下_.*对应于_1 A Kumar; Ahmed Hemani ; Johnny &Ouml;berg<。函数sub以''复位（因此，事实上它会将其删除），所以最终结果为10。

sub(".*_(\\w*)\\s.*", "\\1", author)比较棘手（没有任何理由）。它不提取任何东西。如果将代码替换为sub(".*_(\\w*)\\s.*", "222", author)，结果将为222（而不是1）。所以，无论你放在第二个参数中，你都会得到结果。为什么如此？那么，因为".*_(\\w*)\\s.*"对应整个字符串，即：.*_对应于10_; (\\w*)对应于1，最后\\s.*意味着空间和它后面的所有内容（所以，字符串的其余部分）。

gsub("<","",sub("^.*?\\s","", author))有两个功能。第一个sub("^.*?\\s","", author)。它看起来从头到脚都是一切。所以^.*?\\s代表10_1并将其删除。所以，你最终得到A Kumar; Ahmed Hemani ; Johnny &Ouml;berg<。第二个从各地删除'<'。

我希望它有帮助。