在 R 中拆分逗号和分号分隔的字符串

Question

我正在尝试拆分包含两个条目的字符串，每个条目都有特定的格式：

• 类别（例如

  active site

  /

  region

  ），后跟

  :

• 术语（例如

  His, Glu

  /

  nucleotide-binding motif A

  ），后跟

  ,

这是我要拆分的字符串：

string <- "active site: His, Glu,region: nucleotide-binding motif A,"

这是我迄今为止所尝试过的。除了两个空子字符串之外，它会产生所需的输出。

unlist(str_extract_all(string, ".*?(?=,(?:\\w+|$))"))

[1] "active site: His, Glu"              ""                                   "region: nucleotide-binding motif A"
[4] "" 

如何去掉空子字符串？

Answer 1

您会得到空字符串，因为

.*?

也可以匹配此断言

(?=,(?:\\w+|$))

为 true 的空字符串

您可以在匹配之前使用否定字符类来排除匹配冒号或逗号

:

[^:,\n]+:.*?(?=,(?:\w|$))

解释

• [^:,\n]+

  匹配 1 个以上字符，除了

  :

  ,

  或换行符

• :

  匹配冒号

• .*?

  尽可能匹配任意字符

• (?=

  正向前瞻，断言当前位置直接右侧的内容：

  • ,

    按字面意思匹配

  • (?:\w|$)

    匹配单个单词字符，或断言字符串结尾

• )

  关闭前瞻

正则表达式演示 | R 演示

string <- "active site: His, Glu,region: nucleotide-binding motif A,"
unlist(str_extract_all(string, "[^:,\\n]+:.*?(?=,(?:\\w|$))"))

输出

[1] "active site: His, Glu"              "region: nucleotide-binding motif A"

Answer 2

比@第四只鸟+1长得多而且不那么优雅， 但它有效：

library(stringr)

string2 <- strsplit(string, "([^,]+,[^,]+),", perl = TRUE)[[1]][2]
string1 <- str_replace(string, string2, "")
string <- str_replace_all(c(string1, string2), '\\,$', '')

> string
[1] "active site: His, Glu"             
[2] "region: nucleotide-binding motif A"