R 정규표현식 기본문법

정규표현식에 대한 이해

하는 만큼 실력이 느는 Part, 많이 연습하면 외워지겠지만, 매번 검색해서 찾아보는 것을 추천.

패턴(규칙)을 갖는 문자열의 집합을 표현하는 데 사용하는 언어

복잡한 문자열에서 특정한 패턴과 일치하는 문자열을 찾고, 대체하기 위해 사용됨

정규표현식 기능을 많은 프로그래밍 언어에서 제공하지만, 문법에 있어선 프로그래밍 언어간 다소 차이가 있음

R에서 사용되는 정규표현식의 특징은 escape 문자가 두번(\\) 사용된다는 것임

정규표현식 내에서 띄어쓰기 하면 인식 X

정규표현식 기본 문법 1

한 글자만 해당됨

정규표현식	포함되는 패턴
\\w	영소문자, 영대문자, 숫자, _(언더바) 등 대부분의 문자
\\d	숫자
\\s	공백, \r\n(개행), \t(탭)
\\W	\\w의 반대
\\D	\\d의 반대
\\S	\\s의 반대, 대문자는 모두 반대로 생각하면 된다.
\\p{Hangul}	한글
.	모든 문자 (공백 포함, 단, \r\n 제외)
\|	앞 뒤 문자열들을 or 조건으로 지정
[]	[ ] 안의 문자들을 'or' 조건으로 지정
[a-z], [A-Z]	영어 소문자, 영어 대문자
[0-9]	숫자
[ㄱ-ㅎ]	한글 자소 단위, 자음
[ㅏ-ㅣ]	한글 자소 단위, 모음
[가-힣]	한글 음절 단위
[ㄱ-힣]	한글
[^]	대괄호 안 패턴 제외, ^ 는 반대의 의미

탐욕적 수량자 vs 게으른 수량자

'탐욕적(greedy)'의 의미는 정규표현식에 매칭되는 가장 큰 덩어리의 문자열을 반환

이에 반해 '게으른(lazy)'의 의미는 정규표현식에 매칭되는 가장 작은 작은 덩어리의 문자열 반환

Example

[본문] '이것은 HTML 입니다'

'<.+>' 적용했을 때 Greedy 결과 : '이것은 HTML 입니다'

'<.+?>' 적용했을 때 Lazy 결과 : '' , ' ' , ' ' , ''

정규표현식 기본 문법 2

정규표현식	포함되는 패턴	비고
+	앞 패턴이 1 ~ 무한대 연속 일치	탐욕적 수량자
*	앞 패턴이 0 ~ 무한대 연속 일치	탐욕적 수량자
?	앞 패턴이 0 ~ 1 번 일치	탐욕적 수량자
{n}	앞 패턴이 정확하게 n 번 연속 일치	탐욕적 수량자
{n,}	앞 패턴이 n ~ 무한대 연속 일치	탐욕적 수량자
{n,m}	앞 패턴이 n ~ m 번 연속 일치	탐욕적 수량자
게으른 수량자	탐욕적 수량자 뒤에 ' ? ' 를 붙임	게으른 수량자
\\메타 문자	메타 문자 모습 그대로 지정('\\[' 하면 '[' 로 인식)
^	문자열의 시작 위치를 지정
$	문자열의 끝 위치를 지정
\\b	문자열 중 음절의 시작 위치를 지정
\\B	\\b의 반대
()	'()' 안 문자열을 그룹으로 지정
\\숫자	그룹의 번호를 가리킴(역참조)
A(? = B)	B 패턴 앞의 A 패턴 지정 (전방탐색)
(?< = A) B	A 패턴 뒤의 B 패턴 지정 (후방탐색)

Example

str_extract_all을 이용해서 패턴대로 추출을 해보자

> library(stringr)
# 자음 자소 단위 추출
> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[ㄱ-ㅎ]')
[[1]]
[1] "ㅋ" "ㅋ" "ㅋ"

[[2]]
[1] "ㅎ" "ㅎ" "ㅎ"

[[3]]
character(0)

[[4]]
character(0)

[[5]]
character(0)

[[6]]
character(0)

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[ㅏ-ㅣ]')
[[1]]
character(0)

[[2]]
character(0)

[[3]]
[1] "ㅜ" "ㅜ" "ㅜ"

[[4]]
[1] "ㅠ" "ㅠ" "ㅠ"

[[5]]
character(0)

[[6]]
character(0)

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[가-힣]')
[[1]]
character(0)

[[2]]
character(0)

[[3]]
character(0)

[[4]]
character(0)

[[5]]
[1] "쿠" "쿠"

[[6]]
[1] "히" "히"

> 
> # + 붙이면 붙어서 나온다 , greedy 수량자 이용 
> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[ㄱ-ㅎ]+')
[[1]]
[1] "ㅋㅋㅋ"

[[2]]
[1] "ㅎㅎㅎ"

[[3]]
character(0)

[[4]]
character(0)

[[5]]
character(0)

[[6]]
character(0)

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[ㅏ-ㅣ]+')
[[1]]
character(0)

[[2]]
character(0)

[[3]]
[1] "ㅜㅜㅜ"

[[4]]
[1] "ㅠㅠㅠ"

[[5]]
character(0)

[[6]]
character(0)

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[가-힣]+')
[[1]]
character(0)

[[2]]
character(0)

[[3]]
character(0)

[[4]]
character(0)

[[5]]
[1] "쿠쿠"

[[6]]
[1] "히히"

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[ㄱ-힣]+') # 자소, 음절 모두 반영 
[[1]]
[1] "ㅋㅋㅋ"

[[2]]
[1] "ㅎㅎㅎ"

[[3]]
[1] "ㅜㅜㅜ"

[[4]]
[1] "ㅠㅠㅠ"

[[5]]
[1] "쿠쿠"

[[6]]
[1] "히히"

> 
> # * 를 붙이면 NULL대신 값이 없게끔 나머지 나타나네요
> # * 은 앞 패턴이 0 ~ 무한대 연속 일치 
> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[ㄱ-ㅎ]*')
[[1]]
[1] "ㅋㅋㅋ" ""      

[[2]]
[1] "ㅎㅎㅎ" ""      

[[3]]
[1] "" "" "" ""

[[4]]
[1] "" "" "" ""

[[5]]
[1] "" "" ""

[[6]]
[1] "" "" ""

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[ㅏ-ㅣ]*')
[[1]]
[1] "" "" "" ""

[[2]]
[1] "" "" "" ""

[[3]]
[1] "ㅜㅜㅜ" ""      

[[4]]
[1] "ㅠㅠㅠ" ""      

[[5]]
[1] "" "" ""

[[6]]
[1] "" "" ""

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[가-힣]*')
[[1]]
[1] "" "" "" ""

[[2]]
[1] "" "" "" ""

[[3]]
[1] "" "" "" ""

[[4]]
[1] "" "" "" ""

[[5]]
[1] "쿠쿠" ""    

[[6]]
[1] "히히" ""    

> 
> # ?는 greedy 수량자 뒤에 붙여서 사용 (lazy 수량자)
> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[ㄱ-ㅎ]?')
[[1]]
[1] "ㅋ" "ㅋ" "ㅋ" ""  

[[2]]
[1] "ㅎ" "ㅎ" "ㅎ" ""  

[[3]]
[1] "" "" "" ""

[[4]]
[1] "" "" "" ""

[[5]]
[1] "" "" ""

[[6]]
[1] "" "" ""

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[ㅏ-ㅣ]?')
[[1]]
[1] "" "" "" ""

[[2]]
[1] "" "" "" ""

[[3]]
[1] "ㅜ" "ㅜ" "ㅜ" ""  

[[4]]
[1] "ㅠ" "ㅠ" "ㅠ" ""  

[[5]]
[1] "" "" ""

[[6]]
[1] "" "" ""

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히'),
+                 pattern = '[가-힣]?')
[[1]]
[1] "" "" "" ""

[[2]]
[1] "" "" "" ""

[[3]]
[1] "" "" "" ""

[[4]]
[1] "" "" "" ""

[[5]]
[1] "쿠" "쿠" ""  

[[6]]
[1] "히" "히" ""  

> 
> # 전화번호, 주민등록번호  같은 것은 {}를 이용하자 
> # 정규표현식에는 , 사이에 공백을 두어선 아니됩니다. 
> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히','하하하','크크크크'),
+                 pattern = '[ㄱ-ㅎ]{2,3}')
[[1]]
[1] "ㅋㅋㅋ"

[[2]]
[1] "ㅎㅎㅎ"

[[3]]
character(0)

[[4]]
character(0)

[[5]]
character(0)

[[6]]
character(0)

[[7]]
character(0)

[[8]]
character(0)

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히','하하하','크크크크'),
+                 pattern = '[ㄱ-ㅎ]{2}')
[[1]]
[1] "ㅋㅋ"

[[2]]
[1] "ㅎㅎ"

[[3]]
character(0)

[[4]]
character(0)

[[5]]
character(0)

[[6]]
character(0)

[[7]]
character(0)

[[8]]
character(0)

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히','하하하','크크크크'),
+                 pattern = '[ㄱ-ㅎ]{3}')
[[1]]
[1] "ㅋㅋㅋ"

[[2]]
[1] "ㅎㅎㅎ"

[[3]]
character(0)

[[4]]
character(0)

[[5]]
character(0)

[[6]]
character(0)

[[7]]
character(0)

[[8]]
character(0)

> str_extract_all(c('ㅋㅋㅋ','ㅎㅎㅎ','ㅜㅜㅜ','ㅠㅠㅠ','쿠쿠','히히','하하하','크크크크'),
+                 pattern = '[가-힣]{3}')
[[1]]
character(0)

[[2]]
character(0)

[[3]]
character(0)

[[4]]
character(0)

[[5]]
character(0)

[[6]]
character(0)

[[7]]
[1] "하하하"

[[8]]
[1] "크크크"

> 
> 
> # greedy numerator : 패턴을 만족하는 최대한의 아웃풋을 들고옴
> # lazy numerator : 패턴을 만족하는 최소한의 아웃풋을 들고옴
> 
> str_extract_all(c('<p>지금<bk>나는<br>배가<bl>아픕니다</p>'),
+                 pattern = '<.+?>')
[[1]]
[1] "<p>"  "<bk>" "<br>" "<bl>" "</p>"

> 
> str_extract_all(c('[p]지금[bk]나는[br]배가[bl]아픕니다[/p]'),
+                 pattern = '[.+?]') # error뜬당
[[1]]
character(0)

> 
> str_extract_all(c('[p]지금[bk]나는[br]배가[bl]아픕니다[/p]'),
+                 pattern = '\\[.+?]') # 메타문자 지정을 해줘야한다. 
[[1]]
[1] "[p]"  "[bk]" "[br]" "[bl]" "[/p]"

> 
> # 문자열 시작과 중간과 끝!!
> str_extract_all(c('가방','가면','누가','뭐가','누가바','뭐가요'),
+                 '^가')
[[1]]
[1] "가"

[[2]]
[1] "가"

[[3]]
character(0)

[[4]]
character(0)

[[5]]
character(0)

[[6]]
character(0)

> 
> str_extract_all(c('가방','가면','누가','뭐가','누가바','뭐가요'),
+                 '가$')
[[1]]
character(0)

[[2]]
character(0)

[[3]]
[1] "가"

[[4]]
[1] "가"

[[5]]
character(0)

[[6]]
character(0)

> 
> str_extract_all(c('가방','가면','누가','뭐가','누가바','뭐가요'),
+                 '.가.')
[[1]]
character(0)

[[2]]
character(0)

[[3]]
character(0)

[[4]]
character(0)

[[5]]
[1] "누가바"

[[6]]
[1] "뭐가요"

> 
> # 전 후방 탐색
> str_extract_all(c('100원','200엔','300위안','400달러'),
+                 '\\d+')
[[1]]
[1] "100"

[[2]]
[1] "200"

[[3]]
[1] "300"

[[4]]
[1] "400"

> 
> # 원만 들고 오고 싶은데 숫자만 나오고 원은 안나오게
> str_extract_all(c('100원','200엔','300위안','400달러'),
+                 '\\d+원') %>% 
+     str_remove(pattern = '[가-힣]') # 이거 좀 비효율적
[1] "100"          "character(0)" "character(0)" "character(0)"
> 
> # 전방탐색 , 원에서 100만 보고 싶어요 
> str_extract_all(c('100원','200엔','300위안','400달러'),
+                 '\\d+(?=원)')
[[1]]
[1] "100"

[[2]]
character(0)

[[3]]
character(0)

[[4]]
character(0)

> 
> # 후방탐색 , 200인데 화폐단위만 보고 싶어요 
> str_extract_all(c('100원','200엔','300위안','400달러'),
+                 '(?<=200)[가-힣]+')
[[1]]
character(0)

[[2]]
[1] "엔"

[[3]]
character(0)

[[4]]
character(0)

'Programming > R' 카테고리의 다른 글

[Crawling] 공공데이터 포털 : 한국환경공단 대기오염정보 open api 수집 (0)	2021.08.06
[Crawling] KBReport 2019 정규시즌 투수 Stat Crawling (0)	2021.07.22
[Crawling] R stringr 패키지 사용법 (0)	2021.07.06
[Crawling] RSelenium (0)	2021.07.02
[Crawling] JavaScript가 사용된 Webpage 긁기 (0)	2021.06.22

정규표현식에 대한 이해

정규표현식 기본 문법 1

한 글자만 해당됨

탐욕적 수량자 vs 게으른 수량자

정규표현식 기본 문법 2

Example

'Programming > R' 카테고리의 다른 글

검색 태그

티스토리툴바