R-使用正則表達式分割字符向量

Question

我有一些想要讀取和分析的日志文件。 不幸的是，文件以非常“​​丑陋”的方式保存（中間有很多特殊字符），因此我不能只讀取每一行都是條目的行。 分隔不同條目的唯一方法是使用正則表達式，因為每個條目的開頭均遵循指定的模式。

我的第一種方法是識別字符向量中的模式（我使用來自readr-package的read_file），並使用相應的位置通過strsplit分割向量。 不幸的是，位置似乎並不總是匹配的，因為結果並不總是與條目相對應（我猜特殊字符有問題）。

該文件的典型行如下所示：

16/10/2017，21:51-喬治：這是一個典型的條目

相應的正則表達式如下所示：

([[:digit:]]{2})/([[:digit:]]{2})/([[:digit:]]{4}), ([[:digit:]]{2}):([[:digit:]]{2}) - ([[:alpha:]]+):

我想要的第一件事是data.frame，每行對應一個特定的條目（在下一步中，我將模式分為不同的部分）。

到目前為止，我嘗試了以下操作：

regex.log = "([[:digit:]]{2})/([[:digit:]]{2})/([[:digit:]]{4}), ([[:digit:]]{2}):([[:digit:]]{2}) - ([[:alpha:]]+):"
log.regex = gregexpr(regex.log, file.log)[[1]]
log.splitted = substring(file.log, log.regex, log.regex[2:355]-1)

可以看出，該日志文件具有355個條目。 前幾個正確分開。 如何在不丟失正則表達式/模式信息的情況下使用正則表達式分隔字符向量？

Answer 1

使用捕獲和非捕獲組來標識要保留的部分，並確保使用錨點：

file.log  =  "16/10/2017, 21:51 - George: This is a typical entry here"
regex.log = "^((?:[[:digit:]]{2})\\/(?:[[:digit:]]{2})\\/(?:[[:digit:]]{4}), (?:[[:digit:]]{2}):(?:[[:digit:]]{2}) - (?:[[:alpha:]]+)): (.*)$"

gsub(regex.log,"\\1",file.log)
>> "16/10/2017, 21:51 - George"
gsub(regex.log,"\\2",file.log)
>> "This is a typical entry here"