使用R

Question

我有一个过滤问题，我试图根据字符串的存在选择4种不同模式中的任何一种：

1. 一串10个连续数字（例如1250126681）
2. 一串13个连续数字（例如9781626724266）
3. 以＆＃34; id＆＃34开头的字符串;然后是9个连续数字（例如id975448501）
4. 大写字母和数字组合的字符串（长度= 10）（例如B004TLHNOC）

这是一个样本数据集：

FromName<-c("PubA","PubB","PubC","PubB","PubC","PubB")
PostName<-c("https://www.amazon.com/gp/product/1250126681/ref=as_li_tl","https://www.amazon.com/dp/B004TLHNOC/ref=sr_1_1","https://us.macmillan.com/books/9781626724266",
            "https://itunes.apple.com/us/book/six-of-crows/id975448501","http://www.anrdoezrs.net/links/7992675/type/dlg/sid/MAChhjan32018eman/https://www.barnesandnoble.com/w/something-to-howl-about-christine-warren/1127202692","https://www.amazon.com/Beach-House-Cookbook-Mary-Andrews-ebook/dp/B01M2UZS7F/")
df<-cbind(FromName,PostName)

输出应如下所示：



我认为前两种模式的正则表达式是：^ [0-9] {10} $和^ [0-9] {13} $，我认为[az] {2} \ d {9}应该用于选择第三种模式的观察，但我仍然坚持模式＃4。我也不确定如何将多个正则表达式模式组合成一个dplyr过滤器函数。

Answer 1

以下正则表达式应该有效：

[0-9]{10}
[0-9]{13}
id[0-9]{9}
[A-Z0-9]{10}

您不应该需要^和$，因为您正在尝试匹配字符串中的内容。 ^abc$与abc匹配，但不匹配xabcx。

第二种模式将返回第四种模式的子集。任何10位数的字符串也是10位数字或大写字母的字符串。因此，您只需要三种模式来匹配这四种类别。除非你想以某种方式区分10个字符的ONLY整数字符串与整数和字符的字符串，但看起来并非如此。

您可以使用|检查多种模式。但是，这将返回第一场比赛。例如。 str_extract('abcdef','abc|def')仅返回abc。如果您知道每个URL与任何类别的匹配不超过1个，那就这样做。

我喜欢使用str_extract中的stringr：

ProductID = str_extract(PostName, 'id[0-9]{9}|[0-9]{13}|[A-Z0-9]{10}')

Answer 2

由于您上面的数据是一个矩阵，我们可以将结果包含在下面：

您可以使用basename：

cbind(df[,1],basename(sub("ref.*","",df[,2])))
     [,1]   [,2]           
[1,] "PubA" "1250126681"   
[2,] "PubB" "B004TLHNOC"   
[3,] "PubC" "9781626724266"
[4,] "PubB" "id975448501"  
[5,] "PubC" "1127202692"   
[6,] "PubB" "B01M2UZS7F"  

或者你可以这样做：

cbind(df[,1],sub(".*\\/(\\w+)\\/(?>ref.*)|.*\\/(\\w+)\\S{1,2}$","\\1\\2",df[,2],perl = T))
     [,1]   [,2]          
[1,] "PubA" "1250126681"  
[2,] "PubB" "B004TLHNOC"  
[3,] "PubC" "978162672426"
[4,] "PubB" "id97544850"  
[5,] "PubC" "112720269"   
[6,] "PubB" "B01M2UZS7F"