正则表达式不匹配模式，后跟字符串中的水平省略号

Question

我正在尝试使用R中的正则表达式，使用“字符串”包中的str_match_all ，从文本中提取Twitter主题标签。

问题在于，有时标签会被截断，并在文本字符串的末尾附加一个水平省略号字符，如以下示例所示：

str_match_all("hello #goodbye #au…","#[[:alnum:]_+]*[^…]")[[1]]

使用上面的代码，我可以成功地提取主题标签列表，但是我想排除被截断的主题标签（即具有水平省略号字符的主题标签）。

当我到处寻找解决方案时，这令人沮丧，上面的代码是我能想到的最好的代码，但显然行不通。

任何帮助深表感谢。

Answer 1

我建议将regmatches与regexpr和#[^#]+(?!…)\\\\b Perl风格的正则表达式结合使用：

x <- "#hashtag1 notHashtag #hashtag2 notHashtag #has…"
m <- gregexpr('#[^#\\s]+(?!…)\\b', x, perl=T)
// or m <- gregexpr('#\\w+(?!…)\\b', x, perl=T)
// or m <- gregexpr('#\\S+(?!…)\\b', x, perl=T)
regmatches(x, m)

参见有关CodingGround的演示

正则表达式表示：

• # -文字#
• [^#]+ - 1个或多个字符其他然后# （或\\\\w+匹配字母数字和仅下划线或\\\\S+ ，将匹配的任何数量的非空白字符）
• (?!…)\\\\b匹配不带…的单词边界

以上代码执行的结果： [1] "#goodbye"