大家好，欢迎来到IT知识分享网。
我们日常生活中接触到的大部分数据都是以文本的形式存在。如何高效地处理文本数据，将看似杂乱无章的数据整理成可以进行统计分析的规则数据，是『数据玩家』必备的一项重要技能。
今天，我们要学习的『正则表达式』和『字符处理函数』将助你成为点石成金的数据魔法师。
正则表达式
在进行爬虫任务的时候，部分情况下，我们可以使用Xpath来提取我们需要的网页信息。但是，当我们需要的数据以一定的规则隐藏在一段文字中时，就不可避免地要使用到正则表达式。
正则表达式是对字符串类型数据进行匹配判断，提取等操作的一套逻辑公式。
处理字符串类型数据方面，高效的工具有Perl和Python。如果我们只是偶尔接触文本处理任务，则学习Perl无疑成本太高；如果常用Python，则可以利用成熟的正则表达式模块：re库；如果常用R，则使用Hadley大神开发的stringr包则已经能够游刃有余。
下面，我们先简要介绍重要并通用的正则表达式规则。接着，总结一下stringr包中重要的字符处理函数。
如果有时间，我将后续补充一个综合的使用案例。
元字符
正则表达式中，有12个字符被保留用作特殊用途。他们分别是：
[ ] \ ^ $ . | ? * + ( )
它们的作用如下：
-
[ ]：括号内的任意字符将被匹配；
-
\：具有两个作用：
-
1.对元字符进行转义
-
2.一些以\开头的特殊序列表达了一些字符串组
-
^：匹配字符串的开始.将^置于character class的首位表达的意思是取反义。如[^5]表示匹配除了”5”以外的任何字符。
-
$：匹配字符串的结束。但将它置于character class内则消除了它的特殊含义。如[akm$]将匹配’a’,’k’,’m’或者’$’.
-
.：匹配除换行符以外的任意字符。
-
|：或者
-
?：前面的字符(组)最多被匹配一次
-
*：前面的字符(组)将被匹配零次或多次
-
+：前面的字符(组)将被匹配一次或多次
-
( )：表示一个字符组，括号内的字符串将作为一个整体被匹配。
重复
| 代码 | 含义说明 |
|---|---|
| ? | 重复零次或一次 |
| * | 重复零次或多次 |
| + | 重复一次或多次 |
| {n} | 重复n次 |
| {n,} | 重复n次或更多次 |
| {n,m} | 重复n次到m次 |
转义
如果我们想查找元字符本身，如”?”和”*“，我们需要提前告诉编译系统，取消这些字符的特殊含义。这个时候，就需要用到转义字符\，即使用\?和\*.当然，如果我们要找的是\,则使用\\进行匹配。
注：R中的转义字符则是双斜杠：\\
R中预定义的字符组
| 代码 | 含义说明 |
|---|---|
| [:digit:] | 数字：0-9 |
| [:lower:] | 小写字母：a-z |
| [:upper:] | 大写字母：A-Z |
| [:alpha:] | 字母：a-z及A-Z |
| [:alnum:] | 所有字母及数字 |
| [:punct:] | 标点符号，如. , ;等 |
| [:graph:] | Graphical characters,即[:alnum:]和[:punct:] |
| [:blank:] | 空字符，即：Space和Tab |
| [:space:] | Space，Tab，newline，及其他space characters |
| [:print:] | 可打印的字符，即：[:alnum:]，[:punct:]和[:space:] |
代表字符组的特殊符号
| 代码 | 含义说明 |
|---|---|
| \w | 字符串，等价于[:alnum:] |
| \W | 非字符串，等价于[^[:alnum:]] |
| \s | 空格字符，等价于[:blank:] |
| \S | 非空格字符，等价于[^[:blank:]] |
| \d | 数字，等价于[:digit:] |
| \D | 非数字，等价于[^[:digit:]] |
| \b | Word edge（单词开头或结束的位置） |
| \B | No Word edge（非单词开头或结束的位置） |
| \< | Word beginning（单词开头的位置） |
| \> | Word end（单词结束的位置） |
stringr包中的重要函数
| 函数 | 功能说明 | R Base中对应函数 |
|---|---|---|
| 使用正则表达式的函数 | ||
| str_extract() | 提取首个匹配模式的字符 | regmatches() |
| str_extract_all() | 提取所有匹配模式的字符 | regmatches() |
| str_locate() | 返回首个匹配模式的字符的位置 | regexpr() |
| str_locate_all() | 返回所有匹配模式的字符的位置 | gregexpr() |
| str_replace() | 替换首个匹配模式 | sub() |
| str_replace_all() | 替换所有匹配模式 | gsub() |
| str_split() | 按照模式分割字符串 | strsplit() |
| str_split_fixed() | 按照模式将字符串分割成指定个数 | – |
| str_detect() | 检测字符是否存在某些指定模式 | grepl() |
| str_count() | 返回指定模式出现的次数 | – |
| 其他重要函数 | ||
| str_sub() | 提取指定位置的字符 | regmatches() |
| str_dup() | 丢弃指定位置的字符 | – |
| str_length() | 返回字符的长度 | nchar() |
| str_pad() | 填补字符 | – |
| str_trim() | 丢弃填充，如去掉字符前后的空格 | – |
| str_c() | 连接字符 | paste(),paste0() |
可见，stringr包中的字符处理函数更丰富和完整（其实还有更多函数），并且更容易记忆。或许速度也会更快。
其他相关的重要函数
windows下处理字符串类型数据最头疼的无疑是编码问题了。这里介绍几个编码转换相关的函数。
| 函数 | 功能说明 |
|---|---|
| iconv() | 转换编码格式 |
| Encoding() | 查看编码格式；或者指定编码格式 |
| tau::is.locale() | tests if the components of a vector of character are in the encoding of the current locale |
| tau::is.ascii() | |
| tau::is.utf8() | tests if the components of a vector of character are true UTF-8 strings |
End.
运行人员：中国统计网小编（微信号：itongjilove）
微博ID：中国统计网
中国统计网，是国内最早的大数据学习网站，公众号：中国统计网
http://www.itongji.cn
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://yundeesoft.com/40495.html
