title: "正则表达式学习笔记"
author: "Dong Lei-ming"
date: "2017年10月28日"
output: html_document
如果需要从文本文件中识别具有一定模式的字符串时，学一点正则表达式比一个个查找-复制粘贴效率要高得多。
我常用的能够通过正则表达式进行检索的软件有：Notepad++和Filelocator。用Notepad的机会更多一些。转入正题：
比如我有一串字符：
Aoli|XP_011119616.1,Aoli|XP_011122673.1,Aoli|XP_011128430.1,Bbas|XP_008594286.1,Bbas|XP_008594329.1,Bbas|XP_008595160.1,
Bbas|XP_008596935.1,Bbas|XP_008597129.1,Bbas|XP_008597693.1,Bbas|XP_008598495.1,Bbas|XP_008600657.1,Bbas|XP_008600739.1,
Bbas|XP_008601538.1,Bbas|XP_008603064.1,Bbas|XP_008603175.1,Bbas|XP_008603621.1,Chig|XP_018154735.1,Chig|XP_018155044.1,
Chig|XP_018155047.1,Chig|XP_018153301.1,Chig|XP_018151759.1,Chig|XP_018164608.1,Chig|XP_018152642.1,Chig|XP_018152650.1,
Chig|XP_018150745.1,Chig|XP_018151082.1,Chig|XP_018151207.1,Chig|XP_018151210.1,Chig|XP_018151211.1,Chig|XP_018151295.1,
Chig|XP_018151323.1,Chig|XP_018151575.1,Chig|XP_018151609.1,Chig|XP_018151641.1,Chig|XP_018163482.1,Chig|XP_018150468.1
我需要把|连同之前的字符都去掉，如果手动删除或是用空值一组一组地替换是非常繁琐的，数据量非常大时成本很高。而如果采用正则表达式则是几秒钟的事：查找\w*\|，然后替换框里空着，全部替换就可以了（Fig 1），Amazing！
Fig 1
匹配字符
-
.，句点代表除换行符外的所有字符。比如a..b能匹配类似a alb，A18|B，ATP-b。不区分大小写，当然也可以区分，下同。 -
[...]，代表字符集。a[rl_]b匹配arb，AlB，A_b。 -
\d， 代表数字。XP_\d匹配XP_0，XP_0，...，XP_9。 -
\D， 代表非数字。 -
\s， 代表空白字符。a\sb匹配a b。 -
\S， 代表非空白字符。 -
\w， 代表字母和数字。[a-z0-9]。 -
\w， 代表非字母和数字。 -
\b， 代表边界，如\b love，不会匹配alove之类的单词。 -
\r\n，这是Notepad里替换换换行符的字符串，有时会用到，非常方便！比如(\r\n){2}能替换空行，类似Word里的^p^p。
匹配字符的次数
-
*，≥0次。 -
+，≥1次。 -
?，匹配问号前一个字符前面的全部字符含有或不含问号前这个字符，比较难理解，试一下就知道了。kdheo?，问号前一个字符是o，o前面的全部字符是kdhe，kdheo?匹配kdheo（含o）或kdhe（不含o）。 -
{}，花括号里是匹配前一个字符的次数1-9，也可以是个范围{1,5}。
逻辑匹配
想要同时匹配多个字符串时用逻辑字符|，如blue|Blue，能忽略blue首字母的大小写。
以含有多个字符的字符串为单位进行处理时要用圆括号()括起来。
一个例子
有这样一串字符：
[1] "db" "G.clavigera" "F.graminearum" "M.oryzae" "Z.tritici" "C.higginsianum"
[7] "V.dahliae" "C.militaris" "B.bassiana" "M.anisopliae" "M.robertsii" "M.libera"
[13] "S.insectorum" "A.oligospora" "D.haptotyla" "E.vermicola" "H.minnesotensis" "D.coniospora"
[19] "P.chlamydosporia" "O.piceae" "S.schenckii" "S.brasiliensis"
特点是有方括号， 方括号括起来的数字且位数不等，有空格且空格的个数不等，还有换行符。
我想要的是保留引号中的内容（连同引号），之间用逗点隔开，放到一行中。
具体步骤：
- 去掉方括号及其中的数字，表达式为
\[[0-9]+\]； - 去掉换行符，表达式为
\r\n； - 去掉空格，表达式为
\s+，替换为,，然后去掉两头多于的逗点即可。
