从字符串中删除美国邮政编码：R regex

我正在尝试从字符串中删除/提取邮政编码。逻辑是我抓住的东西是：

必须正好包含5个连续数字或

必须正好包含5个连续数字，后跟破折号，然后正好包含4个连续数字或

必须正好包含5个连续数字，后跟空格，然后正好包含4个连续数字

字符串的zip部分可以以空格开头，但不能以空格开头

这是一个MWE和我试过的。尝试的两个正则表达式基于和：

---

注意R的正则表达式与其他正则表达式类似，但特定于R。此问题特定于R的正则表达式，而不是一般的正则表达式问题。

您可以使用如下正则表达式：

"(?<!\\d)(\\d{5}(?:[-\\s]\\d{4})?)\\b"

---

”（？这对我来说很有效，并在您的所有示例中提供了所需的输出：

"(?<!\\d)(\\d{5}(?:[- ]\\d{4})?)(?!\\d)"

（？环视断言
您可以在此处使用和单词边界的组合
\b

regmatches(text.var, gregexpr('(?<!\\d)\\d{5}(?:[ -]\\d{4})?\\b', text.var, perl=T))

带LookArounds的正则表达式：
（？
现场演示：

我们想要的东西：


[0-9]{5}
是最重要的部分，精确查找5位数字


（？：[-][0-9]{4}）
可选择后跟4个以上，但仅当由空格或减号连接时



边界，边界，边界：


（？第一组：负向后看（确保没有数字或破折号）


（？！[0-9-]）
最后一组：负前瞻（| |-相同模式…）



额外测试用例：

另一个邮政编码09788-4234后面没有空格

98712

987122

邮编或范围12987-19222？

这个序列号88101-8892-22912-9991-99101怎么样？

90872-8881

为什么？

LookArounds不使用
字符

您不应该检测到误报（例如，从“否”开始的第一个或最后5个数字）
ZIP可能在它自己的线路上，或者在最开始或最末尾
你可能会遇到一个没有空间的地址
以减号开头的5位数字不应是邮政编码

最终注释：这不是一个最终的或防弹的匹配代码，您可能仍然会收集一些zip外观，特别是因为您需要的数字组之间有空格

个人提示：我发现
[0-9]
字符类对于新加入RegEx的人来说更清晰、更容易理解，即使它们包含在
\d
中，但它们也更快，并且在RegEx风格之间有更好的兼容性。另一方面，双转义（例如
\\d
是一种难看的读法）qdapRegex
软件包具有
rm_zip
功能（基于@hwnd的响应）：

rm_zip(text.var)
rm_zip(text.var, extract=TRUE)

> rm_zip(text.var, extract=TRUE)
[[1]]
[1] NA

[[2]]
[1] NA

[[3]]
[1] "12345"

[[4]]
[1] NA

[[5]]
[1] "12345-6789" "12345-6789"

[[6]]
[1] "12345 6789" "12345 6789"

[[7]]
[1] NA

我对这个注释不太清楚。例如，当您使用
perl=TRUE
时，您可以使用perl正则表达式，因此一般来说，经典正则表达式是一个R解决方案。@AGR请进一步研究将反斜杠和任何其他特定于R的正则表达式加倍的方法（我对正则表达式不太了解，不知道这些东西是什么，但我发现非R用户的正则表达式通常不能转换为R）。工作正常。谢谢。评论也非常有用！刚刚看到你有一个正则表达式解释工具：非常酷：-）此外，我正在将这些正则表达式转换成一个快速的R包。我想给你一个在包上的贡献者作者身份，名称超出SO的hwnd。如果你想使用你的实际名称，请发送一封电子邮件中需要双转义符R@hwnd实际上，而且
[0-9]
绕过了双重转义
\d
regmatches(text.var, gregexpr('(?<!\\d)\\d{5}(?:[ -]\\d{4})?\\b', text.var, perl=T))

(?<!        # look behind to see if there is not:
  \d        #   digits (0-9)
)           # end of look-behind
\d{5}       # digits (0-9) (5 times)
(?:         # group, but do not capture (optional):
  [ -]      #   any character of: ' ', '-'
  \d{4}     #   digits (0-9) (4 times)
)?          # end of grouping
\b          # the boundary between a word character (\w) and not a word character

> library(stringi)
> stri_extract_all_regex(text.var, '(?<!\\d)\\d{5}(?:[ -]\\d{4})?\\b')

(?<![0-9-])([0-9]{5}(?:[ -][0-9]{4})?)(?![0-9-])`  

rm_zip(text.var)
rm_zip(text.var, extract=TRUE)

> rm_zip(text.var, extract=TRUE)
[[1]]
[1] NA

[[2]]
[1] NA

[[3]]
[1] "12345"

[[4]]
[1] NA

[[5]]
[1] "12345-6789" "12345-6789"

[[6]]
[1] "12345 6789" "12345 6789"

[[7]]
[1] NA