常见函数

trimws(x)删去字符型向量x的每个元素的开头和结尾的所有空格。加选项which=’left’可以仅删去开头的空格， 选项which=’right’可以仅删去结尾的空格。

trimws(c("  李明", "李明  ", "  李明  ", "李  明"))

## [1] "李明"   "李明"   "李明"   "李  明"

sprintf是C语言中sprintf的向量化版本，可以把一个元素或一个向量的各个元素按照C语言输出格式转换为字符型向量。

sprintf('tour%02d.jpg', 1:10)

##  [1] "tour01.jpg" "tour02.jpg" "tour03.jpg" "tour04.jpg" "tour05.jpg"
##  [6] "tour06.jpg" "tour07.jpg" "tour08.jpg" "tour09.jpg" "tour10.jpg"

substring函数求字符串字串， 用开始字符位置和结束字符位置设定字串位置。

substring(c("123456789", "abcdefg"), 3, 5)

## [1] "345" "cde"

用gsub(pattern, replacement, x, fixed=TRUE) 把字符型向量x中每个元素中出现的子串 pattern都替换为replacement。

gsub('the', '**',
     c('New theme', 'Old times', 'In the present theme'),
     fixed=TRUE)

## [1] "New **me"           "Old times"          "In ** present **me"

strsplit(x,split,fixed=TRUE)可以把字符型向量x的每一个元素按分隔符split拆分为一个字符型向量， strsplit的结果为一个列表， 每个列表元素对应于x的每个元素。

strsplit('31,32,33,34', split=',', fixed=TRUE)[[1]]

## [1] "31" "32" "33" "34"

正则表达式

在正则表达式的模式(pattern)中，

.*+?{}[]^$()

等字符是特殊字符， 除了’'之外的其它12个都称为“元字符”（meta characters）。

regexpr函数的一般用法为：

regexpr(pattern, text, ignore.case = FALSE, perl = FALSE, fixed = FALSE, useBytes = FALSE)

x <- c('New theme', 'Old times', 'In the present theme')

grep('the', x, perl=TRUE)

## [1] 1 3

grep('the', x, perl=TRUE, value=TRUE)

## [1] "New theme"            "In the present theme"

正则表达式的模式一般是区分大小写的。 为了不区分大小写匹配， 可以在grep等函数调用时加选项ignore.case=TRUE

grep('dr', c("Dr. Wang", 'DR. WANG', 'dR. W.R.'), ignore.case=TRUE, value = TRUE)

## [1] "Dr. Wang" "DR. WANG" "dR. W.R."

在模式中用“.”匹配任意一个字符，用“[.]”表示句点则将句点不做特殊解释，也可以使用“.”表示

grep('a.txt', c('a.txt', 'a0txt'), perl=TRUE)

## [1] 1 2

grep('a[.]txt', c('a.txt', 'a0txt'), perl=TRUE)

## [1] 1

grep('a\\.txt', c('a.txt', 'a0txt'), perl=TRUE)

## [1] 1

匹配空白，表示空白的元字符有:

\f 换页符
\n 换行符
\r 回车符
\t 制表符
\v 垂直制表符

不同操作系统的文本文件的行分隔符不同， 为了匹配Windows格式的文本文件中的空行， 用“”； 为了匹配Unix格式的文本文件中的空行则用“”。写成R的字符型常量时， 这些表示本身也是R的相应字符的表示，所以在R字符型常量中这些字符不需要用两个。

匹配任意一个空白字符用“”， 这等价于“[ ]”。 大写的“”则匹配任意一个非空白的字符。

用，相当于[0-9]。 用。

grep("n\\d[.]xls", c("n1.xls", "na.xls"), perl=TRUE, value = T)

## [1] "n1.xls"

模式匹配相当于在字符串内部搜索某种模式， 如果要从字符串开头匹配， 在模式中取第一个字符为^或。 如果模式中最后一个字符是$或， 则需要匹配到字符串末尾。

匹配字母、数字、下划线字符用， 等价于[a-zA-Z0-9_]。 。

m <- regexpr("s\\w[.]", c("file-s1.xls", "s#.xls"), perl=TRUE)
regmatches(c("file-s1.xls", "s#.xls"), m)

## [1] "s1."

m <- regexpr("s\\W[.]", c("file-s1.xls", "s#.xls"), perl=TRUE)
regmatches(c("file-s1.xls", "s#.xls"), m)

## [1] "s#."

模式中在一个字符或字符集合后加后缀+表示一个或多个前一字符。

s <- c("sa1", "dsa123")
mres <- regexpr("sa[[:digit:]]+", s, perl=TRUE)
regmatches(s, mres)

## [1] "sa1"   "sa123"

在模式中方括号内可以用[:digit:] 表示任意一个字母。 比如，[[:digit:]]匹配任意一个字母（外层的方括号表示字符集合，内层的方括号是POSIX字符类的固有界定符）

在一个字符或字符集合后加后缀*表示零个或多个前一字符，后缀?表示零个或一个前一字符。

问号可以表示零个或一个， 而加号、星号重复不能控制重复次数。在后缀大括号中写一个整数表示精确的重复次数。

grep('[[:digit:]]{3}', c('1', '12', '123', '1234'), value = TRUE)

## [1] "123"  "1234"

s <- '<B>1st</B> other <B>2nd</B>'
p1 <- '<[Bb]>.*</[Bb]>'
m1 <- regexpr(p1, s, perl=TRUE)
regmatches(s, m1)[[1]]

## [1] "<B>1st</B> other <B>2nd</B>"

s <- '<B>1st</B> other <B>2nd</B>'
p2 <- '<[Bb]>.*?</[Bb]>'
m2 <- regexpr(p2, s, perl=TRUE)
regmatches(s, m2)[[1]]

## [1] "<B>1st</B>"