学R学初阶_01_R中的正则表达式

本讲主要介绍正则表达式(regular expression, regex)的概念、主要语法风格以及在R中的使用方法。欢迎转载，但请注明出处！

为何讲它

我在学习The Art of R Programming第35页的时候遇到一个练习，我想用模式匹配去解决，也就是regex，但遇到了未曾料到的问题，于是我在stackoverflow上提问了，大牛的解答让我想要集中几天精力搞清楚regex到底怎么用，问题见此：my question，不巧被标记了重复…

regex是一个相对独立的内容，几乎所有编程语言都实现了这种功能，这也证明了它的重要性，另外，本讲标题序号虽然是01，但大家可以放在遇到实际问题时再来学，那样有了共鸣，印象会更深刻！

正则表达式

我们在面对生物数据，尤其是序列信息（比如碱基序列、氨基酸序列等）的时候， 会时常想要问自己，这其中是否包含着且含有多少某种已知的模式，一段DNA中是否包含转录起始特征TATA box、一段RNA中是否包含某种lncRNA、一段肽链中是否包含锌指结构等等；另一方面，我们在操作数据时，会时常遇到诸如把某个字符（对象）换成另一种字符（对象）的替换操作，而其本质还是如何搜索符合某种（替换）模式的对象。

在这些几乎天天都可以碰到的模式匹配/搜索问题中，正则表达式就是一把解决问题的利剑！

正则表达式：它是一连串用来描述模式的字符，它的书写遵循一定的语法规则，当用户进行文本匹配的时候，程序语言会调用预设的引擎（其实就是内置的或第三方库里的软件包），利用正则表达式去搜索符合模式的文本信息！英文名是regular expression，常缩写为regex，或regexp。

知道英文名后，大家就应该不用去纠结“正则”这个反人类名词了，你可以理解为规则的、规范的，或者直接叫它“模式表达式”。多说一句，劝大家学习时尽量阅读英文材料，中文材料中很多硬生生的翻译，不仅不能达意，还会让很多人产生误解！

语法风格

由以上概念，我们大概会以为正则表达式就像一种模式书写规范，它应该是唯一的，且被大多数编程语言所共用。然而，事情却不那么优雅，从regex诞生之日起，先后产生了数十种适应于不同程序语言的语法规则和风格，而且有些语言还实现了不只一种语法规则，比如R。其中流传最广的一种是：POSIX (Portable Operating System Interface for uniX)标准下的BRE (Basic Regular Expression)、ERE (Extended Regular Expression)；另一种则是PCRE (Perl Compatible Regular Expressions)，详情请参考regular expression in wiki。

在R语言（版本>R 2.10.0）中，它使用了两种语法规则：默认的是Ville Laurikari’s TRE，还有一种就是PCRE。

在本讲中，我使用的是高效且被广泛使用的PCRE语法，同样也推荐大家使用，操作很简单，只需在相应的R函数里加上perl = TRUE 参数即可调用此语法，在后面的内容中大家会看到！

常用语法

虽然说regex有很多种语法风格，但毕竟人是比较懒的，既然有前人的轮子在，而且用起来也很不错，那么就不会有人愿意从头再造一遍，所以这些语法大同小异，下面我将介绍一些PCRE中常用的语法规则。（以下内容多数引用自learn regex the easy way）

基本匹配

“the” => The fat cat sat on the mat.

“The” => The fat cat sat on the mat. （默认大小写敏感）

元字符（meta characters）

所谓的meta-X（中文翻译成“元”啊，“宏”啊，“后设”啊，先可以不管），在英文中代表概念X背后的概念，而每个meta词汇又有其特有的解释方法，比如data是数据（如工资表），meta-data则是描述这个工资表的数据（什么纸打印的，用的哪种墨盒，存放在哪个档案库等等）。此处的meta characters，指的是这些字符虽然本质是字符，但并非是它们字面（literal）上的意思，而是我们赋予的新的意思，“后设”的意思！

1. 句号.（period）：通配符，可以匹配单个除了换行符（newline）之外的所有字符。

   '.ar' => The car parked in the garage.

2. 字符集[...]（character set）：括号中的字符都可以用来匹配，但只能匹配单个位置，如果用短横线-隔开，表示一个范围，例如[a-z]，表示从a到z中间所有字符，包括两端。

   '[Tt]he' => The car parked in the garage.

3. 取反字符集[^...]（negated character set）：括号中的字符都不可用来匹配。

   '[^c]ar' => The car parked in the garage.

4. 计数字符+, *, ?（repetition）：

• +：前一个字符重复1次至多次    'c.+t' => The fat cat sat on the mat.

• *：前一个字符重复0次至多次    '[a-z]*' => The car parked in the garage #21.

• ?：前一个字符重复0次或1次    '[T]?he' => The car is parked in the garage.

5. 计数区间{n, m}：和前一条类似，只不过指明了重复次数在n和m之间，包含两端。注意{n}表示只重复n次，{n,}表示重复大于等于n次。

   '[0-9]{2,3}' => The number was 9.9997 but we rounded it off to 10.0.

6. 亚模式（subpattern）：用小括号括起来的字符串属于一个固定的模式，需要不偏不倚的被匹配到。

   '(ar\si)' => The car is parked in the garage. （\s代表空格）

7. 或者|（alternation）：或然关系，匹配到其中一个即可。

   '(T|t)he|car' => The car is parked in the garage.

8. 首尾匹配，^表明后面的字符一定是处于第一的位置，而$表明之前的字符一定是处于最末的位置，见例子：

   '^(T|t)he' => The car is parked in the garage.

   '(at\.)$' => The fat cat. sat. on the mat.

缩写字符集（shorthand character sets）

shorthand	definition
\w	匹配所有大小写字母及数字，即[a-zA-Z0-9]
\W	与上面相反，即[^\w]
\d	匹配所有数字，即[0-9]
\D	与上面相反，即[^\d]
\s	匹配所有空格字符，如[\t\n\r]
\S	与上面相反，即[^\s]

前后看（lookaround）

这个语法也就是开头提到的、那个让我解决不了的问题的核心，其实学会了它后，你会感觉很有意思。

假设一下，如果我们想找的模式X周围还有特定的亚模式Y，该怎么办？你可以直接匹配你要的模式X，但如果有些X旁边没有Y，我们该怎么排除出去呢？这时候“前后看”就派上大用场了，我们以Y为眼睛，让它看看四周有没有X，有的话就直接匹配上！

• 向前看X(?=Y)（positive lookahead）：顾名思义，是匹配Y前面的X。

  '(T|t)he(?=\sfat)' => The fat cat sat on the mat.

• 向前删X(?!Y)（negative lookahead）：和上面相反，是不匹配Y前面的X。

  '(T|t)he(?!\sfat)' => The fat cat sat on the mat.

• 向后看(?<>（positive lookbehind）：匹配Y后面的X。

  '(?<> => The fat cat sat on the mat.

• 向后删(?（negative lookbehind）：不匹配Y后面的X。

  '(? => The cat sat on cat.

有一点要注意的是，lookaround中的模式，即上面的模式Y，是不会被引擎捕获到的，这一点在某些特定情况下还蛮有用的，请参看my question。

PCRE本身的语法还有不少，但常用的基本都在这里了，如果想深入了解，请参考PCRE syntax。

R中怎么使用

前面提到，R实现了两种regex语法风格，个人推荐使用PCRE风格，不然前面的也白看了不是？R中常用的模式匹配操作，一是运用base包中的几个函数，二是利用stringr包中的系列函数，本文只介绍前者，在熟练之后，大家应该去学习下后者，大神出品，方便易用，参见R for data science - Strings。（以下内容多数引用自Regular Expressions with The R Language）

匹配

• grep函数：”grep”的意思是”global search for regular expression and print matching lines”，这是最核心的函数，其他的几个函数与之大同小异。第一个参数是pattern，即模式；第二个则是input，即需要被匹配的文本。当value=FALSE时，给出匹配上的元素的位置，而value=TRUE则会直接给出匹配上的元素。

> grep('a+', c('abc', 'def', 'cba a', 'aa'), perl=TRUE, value=FALSE)[1] 1     3       4> grep('a+', c('abc', 'def', 'cba a', 'aa'), perl=TRUE, value=TRUE)[1] 'abc' 'cba a' 'aa'

• grepl函数：”l”在这里是”logical”的缩写，所以，你可以猜到，这个函数给出的结果是一串逻辑值。

> grepl('a+', c('abc', 'def', 'cba a', 'aa'), perl=TRUE)[1] TRUE  FALSE TRUE  TRUE

• regexpr函数：上面的函数只能告诉你哪些文本被匹配上了，但如果我们需要知道具体匹配的位置，就需要用到regexpr和gregexpr函数了。除了没有value参数外，regexpr函数的写法与上面完全一样，但得到的结果则是对应于每个input的元素、模式从左至右第一次被匹配到的位置！如果没有匹配上，会显示-1。

> regexpr('a+', c('abc', 'def', 'cba a', 'aa'), perl=TRUE)[1]  1 -1  3  1attr(,'match.length')[1]  1 -1  1  2attr(,'useBytes')[1] TRUE

可以看到，函数返回的结果是一个和input等长的vector，其中包含的是首次匹配上的位置，这个vector还含有两个属性（attributes），第一个给出的是匹配上的文本的长度，比如这里第四个，匹配上的是'aa'，所以长度是2；第二个暂时不用管它。

• gregexpr函数：它比上面的兄弟多了一个”g”，你可能已经猜到，这是个global匹配函数，与regexpr唯一的区别是，它返回的值是一个list，针对input中的每个元素，都会给出所有匹配上的位置。

> gregexpr('a+', c('abc', 'def', 'cba a', 'aa'), perl=TRUE)[[1]][1] 1attr(,'match.length')[1] 1attr(,'useBytes')[1] TRUE[[2]][1] -1attr(,'match.length')[1] -1attr(,'useBytes')[1] TRUE[[3]][1] 3 5attr(,'match.length')[1] 1 1attr(,'useBytes')[1] TRUE[[4]][1] 1attr(,'match.length')[1] 2attr(,'useBytes')[1] TRUE

• regmatches函数：前面的grep函数中，如果设置value=TRUE，那么会给出每个匹配上的元素的整体（比如用”a”去匹配”abc”，grep会得到”abc”），而如果我们需要的仅仅是匹配上的部分（即”a”），regmatches就能派上用场了。这个函数需要的参数一个自然是模式，另一个则是regexpr或gregexpr返回的值，因为其中包含了匹配上的位置。

> x <- c('abc',="" 'def',="" 'cba="" a',="" 'aa')=""> m <- regexpr('a+',="" x,="" perl="TRUE)"> regmatches(x, m)[1] 'a'  'a'  'aa'> m <- gregexpr('a+',="" x,="" perl="TRUE)"> regmatches(x, m)[[1]][1] 'a'[[2]]character(0)[[3]][1] 'a' 'a'[[4]][1] 'aa'

替换

• sub和gsub函数：顾名思义，需要有三个参数，模式、替换文本、原文本（pattern, replacement, input）。区别也很明显，sub是首位匹配，gsub是全局匹配。

> sub('(a+)', 'z', c('abc', 'def', 'cba a', 'aa'), perl=TRUE)[1] 'zbc'   'def'   'cbz a' 'z'    > gsub('(a+)', 'z', c('abc', 'def', 'cba a', 'aa'), perl=TRUE)[1] 'zbc'   'def'   'cbz z' 'z'

• 更为直接的方式是，利用前面提到的regmatches函数，因为它得到刚好仅仅是匹配上的值，那么给这个函数赋予一个vector，里面包含替换文本，即可更改原文本。

> x <- c('abc',="" 'def',="" 'cba="" a',="" 'aa')=""> m <- gregexpr('a+',="" x,="" perl="TRUE)"> regmatches(x, m) <- list(c('one'),="" character(0),="" c('two',="" 'three'),="" c('four'))=""> x[1] 'onebc'       'def'         'cbtwo three' 'four'

结语

regex用途非常广泛，但当你初次接触时，会有一段时间的羞涩期，不用担心，这是正常的，很快你就会发现它的好，欲罢不能。regex本身是包含很多深层次内容的，本讲的介绍只是蜻蜓点水、管中窥豹，所以难免挂一漏万，如有错误，还望不吝指正。

要想把regex用得熟、用得好，必须要有一定的训练量！所以最后，给出一些不错的学习资源，望大家继续钻研。

1. regex-info

2. regex-online-learning

3. Regular-Expressions-Cookbook