正規表示式Regular Expression in R

什麼是正規表示式?

Regular Expression (正規表示式)是指一組能用來表示字串共同格式 (common structure)的樣式 (Pattern)，像是@符號會固定出現在email中，或是手機號碼固定是10碼，等等樣式。 在所有的程式語言中，只要用到字串比對與字串取代等字串相關功能，都會用到正規表示式。雖然正規表示式在不同程式語言中會有些許差異，但核心概念是相同的。

以下是常見的範例:

可以用正規表示式的R函數

• grep()
• grepl()
• gsub()
• str_split()
• stringr package中的諸多函數

正規表示式的語法

逃脫字元

\

表示數量的語法

• *: 出現0~無限多次
• +: 出現1~無限多次
• ?: 出現0~1次
• {n}: 出現n次
• {n,}: 出現n~無限多次
• {n,m}: 出現n~m次

stringVector<-c("a","abc","ac","abbc","abbbc","abbbbc")
grep("ab*",stringVector,value=T)

## [1] "a"      "abc"    "ac"     "abbc"   "abbbc"  "abbbbc"

grep("ab+",stringVector,value=T)

## [1] "abc"    "abbc"   "abbbc"  "abbbbc"

grep("ab?c",stringVector,value=T)

## [1] "abc" "ac"

grep("ab{2}c",stringVector,value=T)

## [1] "abbc"

grep("ab{2,}c",stringVector,value=T)

## [1] "abbc"   "abbbc"  "abbbbc"

grep("ab{2,3}c",stringVector,value=T)

## [1] "abbc"  "abbbc"

表示位置的語法

• ^: 出現在字串開始的位置
• $: 出現在字串結束ˇ的位置
• \b: 出現空字串(空白)開始或結束的位置
• \B: 出現非字串開始或結束的位置

stringVector<-c("abc","bcd","cde","def","abc def","bcdefg abc")
grep("^bc",stringVector,value=T)

## [1] "bcd"        "bcdefg abc"

grep("bc$",stringVector,value=T)

## [1] "abc"        "bcdefg abc"

grep("\\bde",stringVector,value=T)

## [1] "def"     "abc def"

grep("\\Bde",stringVector,value=T)

## [1] "cde"        "bcdefg abc"

運算子

• .: 出現所有的字元一次，包括空字串
• [...]: 出現字元清單(…)中的字元一次，可用-表示範圍，如[A-Z]，[a-z]，[0-9]
• [^...]: 不出現字元清單(…)中的字元
• \: 要搜尋字串中的特殊字元時，前方須加上\
• |: 或

stringVector<-c("03-2118800","02-23123456","0988123456",
                "07-118","0-888","csim@mail.cgu.edu.tw","csim@.","csim@",
                "http://www.is.cgu.edu.tw/")
grep("[0-9]{2}-[0-9]{7,8}",stringVector,value=T)

## [1] "03-2118800"  "02-23123456"

grep("[0-9]{10}",stringVector,value=T)

## [1] "0988123456"

grep("02|03",stringVector,value=T)

## [1] "03-2118800"  "02-23123456"

grep("[a-zA-Z0-9_]+@[a-zA-Z0-9._]+",stringVector,value=T)

## [1] "csim@mail.cgu.edu.tw" "csim@."

特殊符號

• \d: 數字，等於 [0-9]
• \D: 非數字，等於 [^0-9]
• [:lower:]: 小寫字，等於 [a-z]
• [:upper:]: 大寫字，等於 [A-Z]
• [:alpha:]: 所有英文字，等於 [[:lower:][:upper:]] or [A-z]
• [:alnum:]: 所有英文字和數字，等於 [[:alpha:][:digit:]] or [A-z0-9]
• \w: 文字數字與底線，等於 [[:alnum:]] or [A-z0-9]
• \W: 非文字數字與底線，等於 [^A-z0-9_]
• [:blank:]: 空白字元，包括空白和tab
• \s: 空白字元,
• \S: 非空白字元
• [:punct:]: 標點符號 ! " # $ % & ’ ( ) * + , - . / : ; < = > ? @ [ ] ^ _ ` { | } ~.

stringVector<-c("03-2118800","02-23123456","0988123456",
                "07-118","0-888","csim@mail.cgu.edu.tw","http://www.is.cgu.edu.tw/")
grep("\\d{2}-\\d{7,8}",stringVector,value=T)

## [1] "03-2118800"  "02-23123456"

grep("\\d{10}",stringVector,value=T)

## [1] "0988123456"

grep("\\w+@[a-zA-Z0-9._]+",stringVector,value=T)

## [1] "csim@mail.cgu.edu.tw"

參考資料

• Regular Expression 詳論
• RegExLib.com
• Regular Expression in R