R 从UCSC名称中提取坐标

我有一个字符串，比如：

hg38_ct_tbrefGene_6787_NM_000029_1_范围=chr1:230709995-230710853_5'pad=0_3'pad=0_链=-_=none

我想提取上述示例中的坐标：230709995和230710853。我必须提到，字符串的前一部分并不总是具有相同的长度。我想

gsub

是最好的选择，但我无法设法得到它们（太多的“389;”）

另外，对于这类问题，提供一个模式匹配备忘单/书籍/博客的建议将是非常好的！

---

谢谢

为此，您可以使用正则表达式和捕获组。要了解更多信息，只需在web上搜索“regex”或“regular expression”，您将找到几个网站，它们将指导您如何设置灵活的搜索和提取模式。下面对字符串的提取工作如下（我假设坐标总是在单词range之前）。作为gsub的替代方案，您也可以使用，例如，

stri_extract

from

stringi

包

搜索捕获组（括号内的内容）：

（^.*）

字符串开头，后跟任意字符零次或多次

（range.*:）

range后跟任意字符零次或多次，后跟冒号：

（\\d+）

一个或多个数字

（\\D）

一个非数字字符

（\\d+）

一个或多个数字

（.*$）

任何字符零次或多次，直到字符串结束

摘录：

\\3

捕获组3，即第一个

（\\d+）

\\5

捕获组5，即第二个

（\\d+）

字符串
string <- "hg38_ct_tbrefGene_6787_NM_000029_1_range=chr1:230709995-230710853_5'pad=0_3'pad=0_strand=-_repeatMasking=none"

strsplit(gsub("(^.*)(range.*:)(\\d+)(\\D)(\\d+)(.*$)", "\\3 \\5", string , perl = TRUE), " ")
# [[1]]
# [1] "230709995" "230710853"