获取r中字符串中模式的重叠位置

目标：

在允许重叠的字符串中查找模式的所有位置（开始和结束索引）

方法：

stri\u locate\u all.*

函数返回字符串中模式的位置列表。该列表包括包含每个匹配位置的开始索引和结束索引的矩阵。这对我来说很方便

对于固定模式，以下操作非常有效：

s <- "---"
pattern <- "--"
stri_locate_all_fixed(s, pattern, overlap = TRUE)
[[1]]
    start   end
[1,]    1   2
[1,]    2   3

请注意，

stri\u locate\u all\u regex

不使用重叠属性，因此如果要捕获重叠，必须调整模式

根据各种来源，我需要为我的正则表达式添加一个积极的前瞻

pattern <- "(?=[1|-]{2})"

在这里，函数正确地识别出存在两个匹配项，并注意到开始索引，但结束索引低于开始索引

各国：

“对于stri_locate_*_正则表达式，如果匹配长度为0，则end将为1 字符数小于“开始”

这表明匹配的长度为0；这一观察结果得到以下方面的进一步支持：

“向前看和向后看，统称为“环顾”，是 长度为零的断言…查找实际上与字符匹配， 但随后放弃匹配，只返回结果：匹配或否 匹配。”

因此，我的问题似乎在于使用正向前瞻断言，该断言似乎在“开始”索引处返回零长度位置

我提炼的问题：

-是否有更好的regexp方法来捕获重叠（非零长度）匹配？或者

-是否有比stri\u locate\u all\u regex更好的r函数来实现所需的输出（字符串中模式匹配的所有开始/结束位置的列表）

---

谢谢

您可以使用

gregexpr

和带有捕获组的PCRE正则表达式，捕获组包含整个正向前瞻模式：

pattern <- "(?=([1-]{2}))"
s <- "-1-"
res <- gregexpr(pattern, s, perl=TRUE)
starts <- attr(res[[1]],'capture.start') 
lengths <- attr(res[[1]],'capture.length')
ends <- starts + lengths - 1
df_positions <- do.call(rbind, Map(data.frame, start=starts, end=ends, length=lengths))
df_positions

---

查看一个

您可以使用

gregexpr

和一个带有捕获组的PCRE正则表达式，捕获组包含整个正向前瞻模式：

pattern <- "(?=([1-]{2}))"
s <- "-1-"
res <- gregexpr(pattern, s, perl=TRUE)
starts <- attr(res[[1]],'capture.start') 
lengths <- attr(res[[1]],'capture.length')
ends <- starts + lengths - 1
df_positions <- do.call(rbind, Map(data.frame, start=starts, end=ends, length=lengths))
df_positions

---

查看一个

您可以使用lookback重复搜索，然后将两个结果合并。在函数内部，它不会弄乱代码，但可能有点低效：

library(stringi)

stri_locate_overlap <- function(str, pattern) {
  s <- stri_locate_all_regex(str, paste0("(?=", pattern, ")")) # match start, length 0
  e <- stri_locate_all_regex(str,  paste0("(?<=", pattern, ")")) # match end, length 0
  # combine two results
  mapply(function(x, y) {
    data.frame(start = x[, 1], 
               end = y[, 1])
  }, x = s, y = e, SIMPLIFY = FALSE)
}

stri_locate_overlap(c("---", "-1-"), "[1|-]{2}")
#> [[1]]
#>   start end
#> 1     1   3
#> 2     2   4
#> 
#> [[2]]
#>   start end
#> 1     1   3
#> 2     2   4

库（stringi）
stri_定位_重叠1 1 3
#> 2     2   4
#> 
#> [[2]]
#>起始端
#> 1     1   3
#> 2     2   4

您可以使用lookback重复搜索，然后将两个结果合并。在函数内部，它不会弄乱代码，但可能有点低效：

library(stringi)

stri_locate_overlap <- function(str, pattern) {
  s <- stri_locate_all_regex(str, paste0("(?=", pattern, ")")) # match start, length 0
  e <- stri_locate_all_regex(str,  paste0("(?<=", pattern, ")")) # match end, length 0
  # combine two results
  mapply(function(x, y) {
    data.frame(start = x[, 1], 
               end = y[, 1])
  }, x = s, y = e, SIMPLIFY = FALSE)
}

stri_locate_overlap(c("---", "-1-"), "[1|-]{2}")
#> [[1]]
#>   start end
#> 1     1   3
#> 2     2   4
#> 
#> [[2]]
#>   start end
#> 1     1   3
#> 2     2   4

库（stringi）
stri_定位_重叠1 1 3
#> 2     2   4
#> 
#> [[2]]
#>起始端
#> 1     1   3
#> 2     2   4

解决方案的有趣想法。我很好奇为什么末端位置在索引范围之外（长度是3而不是2）。我认为lookback遍历最后一个字符以找到字符串的结尾，然后从那里向后工作，因此必须从结束值中减去一个。解决方法的有趣想法。我很好奇为什么末端位置在索引范围之外（长度是3而不是2）。我认为lookback遍历最后一个字符以找到字符串的结尾，然后从那里向后工作，因此必须从结束值中减去一。

library(stringi)

stri_locate_overlap <- function(str, pattern) {
  s <- stri_locate_all_regex(str, paste0("(?=", pattern, ")")) # match start, length 0
  e <- stri_locate_all_regex(str,  paste0("(?<=", pattern, ")")) # match end, length 0
  # combine two results
  mapply(function(x, y) {
    data.frame(start = x[, 1], 
               end = y[, 1])
  }, x = s, y = e, SIMPLIFY = FALSE)
}

stri_locate_overlap(c("---", "-1-"), "[1|-]{2}")
#> [[1]]
#>   start end
#> 1     1   3
#> 2     2   4
#> 
#> [[2]]
#>   start end
#> 1     1   3
#> 2     2   4