正則表達式不匹配模式，后跟字符串中的水平省略號

Question

我正在嘗試使用R中的正則表達式，使用“字符串”包中的str_match_all ，從文本中提取Twitter主題標簽。

問題在於，有時標簽會被截斷，並在文本字符串的末尾附加一個水平省略號字符，如以下示例所示：

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

使用上面的代碼，我可以成功地提取主題標簽列表，但是我想排除被截斷的主題標簽（即具有水平省略號字符的主題標簽）。

當我到處尋找解決方案時，這令人沮喪，上面的代碼是我能想到的最好的代碼，但顯然行不通。

任何幫助深表感謝。

Answer 1

我建議將regmatches與regexpr和#[^#]+(?!…)\\\\b Perl風格的正則表達式結合使用：

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)

參見有關CodingGround的演示

正則表達式表示：

• # -文字#
• [^#]+ - 1個或多個字符其他然后# （或\\\\w+匹配字母數字和僅下划線或\\\\S+ ，將匹配的任何數量的非空白字符）
• (?!…)\\\\b匹配不帶…的單詞邊界

以上代碼執行的結果： [1] "#goodbye"