带中文字符的正则表达式

Question

我正在搜索的text_是：本周（3月25日-3月31日），国内油厂开始率继续下降，全国原料油厂压榨浓缩145600吨（出粕1157520吨，出油262080吨)，最近的...[继续]

  crush <- str_extract(string = text_, pattern = perl("(?<=量).*(?=吨（出粕)"))
  meal <- str_extract(string = text_, pattern = perl("(?<=粕).*(?=吨，出)"))
  oil <-  str_extract(string = text_, pattern = perl("(?<=出油).*(?=吨）)"))

印刷

[1] "1456000"   ## correct
[1] "1157520"   ## correct
[1] NA          ## looking for 262080 here

为什么前两个匹配而不是最后一个？ 我正在使用stringr库。

Answer 1

请注意，当前版本的stringr包基于ICU正则表达式库，并且不推荐使用perl() 。

请注意，lookbehind模式是固定宽度的，似乎ICU如何解析lookbehind模式中的第一个字母（由于某些未知原因无法计算其宽度）。

由于您使用stringr ，你可能只是依赖于捕捉可以实现str_match ，提取模式的一部分 ：

> match <- str_match(s, "出油(\\d+)吨")
> match[,2]
[1] "262080"

这样，您将来可以避免任何最终问题。 此外，这些正则表达式执行得更快，因为在搜索字符串中的每个位置执行的模式中没有未锚定的lookbehind。

此外，您可以使用PCRE正则表达式与基础R：

> regmatches(s, regexpr("(?<=出油)\\d+(?=吨)", s, perl=TRUE))
[1] "262080"

Answer 2

出于某种原因，仍然不知道，我无法使用@WiktorStribiżew的评论解决方案，但最终工作：

oil <-  str_extract(string = text_, pattern = perl("(?<=吨).*(?=吨)"))
# [1] "（出粕1157520吨，出油262080吨），较
oil <- str_extract(string = oil, pattern = perl("(?<=油)\\d+(?=吨)"))
# [1] 262080

Answer 3

尝试这个：

  oil <-  str_extract(string = text_, pattern = perl("(?<=出油).*(?=吨)，较上周的）)"))

因为简单吨可能再后来再次出现你的文字，无法精确定位哪一部分，可能超过数据长度或导致数据类型的问题。

Answer 4

你检查你的ICU版本了吗？ 之前遇到过这个问题，当时stringi的ICU版本是55，我尝试用ICU 58重新编译stringi，然后stringr对汉字也能正常工作。 现在stringi的新版本是用60以上版本的ICU编译的，问题应该已经解决了。