正規表現で文字列からほしい部分を抽出する

Rでstr_match_all(string, pattern)でstringに対してマッチしたpattern文字列を抽出する。

pattern部分は()を入れることでpattern中の一部分だけを取ることができる。

listの1要素目がマッチした部分の全体、2要素目以降が括弧でマッチさせた抽出される。

_allがないstr_matchの場合ははじめに一致したもののみlistで取得。
_allありはstr_matchの場合は一致したものがすべてMatrixで取得。

www.rdocumentation.org

実例

model_hoge:fuga_piyo:fugaという文字列から、_と:に挟まれた部分hogeとpiyoを取り出したい。
patternとしては、_, _以外の文字列複数文字, : というpatternのうち、_以外の文字列複数文字を抽出したい。そのため、以下になる

library(tidyverse)

str_i = 'model_hoge:fuga_piyo:fuga'

# str_match_all
str_matced_i_all = str_match_all(str_i, '_([^_])+:')
# [[1]]
# [,1]         [,2]  
# [1,] "_hoge:fuga" "hoge"
# [2,] "_piyo:fuga" "piyo"

str_matced_i_all[[1]][1,2]
# => hoge
str_matced_i_all[[1]][2,2]
# => piyo

# str_match
str_i_matced = str_match(str_i, "_([^_])+:fuga")
# [,1]         [,2]  
# [1,] "_hoge:fuga" "hoge"

str_i_matced[2]
# => hoge

正規表現部分解説

patternの'([^]+):'について。

[^]は[]内にある文字以外を指す。そのため、[^_]は_以外の文字列となり、[^_]+は_以外の文字複数個となる。
つまり、「'([^]+):'は_と:で囲まれた_以外の文字複数個部分」がマッチするうち、()内の_以外の文字複数個が抽出される。

今回わざわざ_以外の文字複数個としているのは、文字が_..._..._となっていて_が繰り返されている部分も一致するのでそうしないと_を含む箇所も抽出されてしまうため。

str_matced = str_match_all(str_i, "_(.+):fuga")
# [[1]]
# [,1]                   [,2]            
# [1,] "_hoge:fuga_piyo:fuga" "hoge:fuga_piyo"

参考

heavywatal.github.io

murashun.jp