Question

假设以下载体：

x <- c("/default/img/irs/irs/irs/irs/irs/irs/irs/irs/irs/irs/irs/irs/IRS.html/", "something/repeat/repeat_this")

我想检查/所包含的单词是否重复（请注意，字符串的开头和结尾可能缺少/）。我找到了以下辉煌的正则表达式here但是（在我删除特殊字符后）我似乎无法修改它以适合我的情况：

grepl("\\b(\\S+?)\\1\\S*\\b", x, perl = TRUE)
# [1] TRUE TRUE

我总是str_split(x, "/")并在列表上迭代duplicated()函数并使用if()语句但这样效率非常低。

期望的结果应该是具有TRUE或FALSE（或1和0）的向量。

Answer 1

其他解决方案，如果您只想检查您的模式

grepl(x, pattern = "((.+)/).*(/\\2(/|$))", perl=T)

其中(.+)表示出现在斜杠之前的单词本身（捕获组2），.*允许在两个相等的子串之间出现任意长度的字符，数字和空格。如果单词出现在斜杠后跟另一个斜杠或字符串结尾（(/\\2(/|$))），则$匹配。

对于提取，您可以使用strsplit（），如上所述。

Answer 2

我认为以下内容对你有用。首先，fixed = TRUE中的strsplit()会绕过正则表达式引擎并直接进行精确匹配，从而使函数更快。接下来，anyDuplicated()返回一个长度为1的整数结果，如果没有找到重复项将为零，否则大于零。因此，我们可以使用strsplit()拆分字符串，并在结果上迭代anyDuplicated()。然后我们可以将得到的矢量与零进行比较。

vapply(strsplit(x, "/", fixed = TRUE), anyDuplicated, 1L) > 0L
# [1]  TRUE FALSE

为了安全起见，您可能希望删除任何前导/，因为它会在strsplit()的结果中产生空字符，并且在某些情况下可能会产生误导性结果（例如字符串的情况）以/开始，irs//irs或类似字符串后面出现。您可以使用sub("^/", "", x)删除前导斜杠。

总之，让strsplit()想法更快的方法是：

在fixed = TRUE中使用strsplit()来绕过正则表达式引擎
使用anyDuplicated()，因为它会停止查找找到一个匹配项
使用vapply()因为我们知道结果类型和长度是什么

在由＆＃34; /＆＃34;分隔的字符串中查找重复的单词;

2 个答案: