->Введение ->Давайте посмотрим, как это работает

Обзор

Регулярные выражения используются для

• проверка данных, например, проверка правильности формирования телефонного номера;

   

• извлечение данных, например, для извлечения телефонных номеров из строки; и

   

• преобразование данных, например, для нормализации различных вводимых телефонных номеров.

Stata предоставляет два набора функций регулярных выражений: regexm(), regexr() и regexs(), основанные на байт-потоке; и ustrregexm(), ustrregexrf(), ustrregexra() и ustrregexs(), основанные на Юникоде. Функции регулярных выражений на основе Юникода построены поверх библиотек ICU.

В Stata 18 функции, основанные на байт-потоке, обновлены и используют библиотеку Boost в качестве движка. Функции контролируются по версии пользователя, чтобы сохранить старое поведение, если пользователь указывает версию 17:.

Хорошее обсуждение регулярных выражений в Stata можно найти в руководстве Asjad Naqvi по Stata.

Старая реализация основана на алгоритме NFA Генри Спенсера и практически идентична стандарту POSIX.2. Новая реализация в Stata 18 имеет больше возможностей. Например, новая реализация поддерживает {n} для соответствия регулярному выражению ровно n раз:

. display regexm("123", "\d{3}")
1

. version 17: display regexm("123", "\d{3}")
0

Добавлен набор новых функций, использующих исключительно библиотеку Boost:

• regexmatch() выполняет сопоставление регулярного выражения со строкой ASCII.

   

• regexreplace() заменяет первую подстроку, соответствующую регулярному выражению, на указанный текст.

   

• regexreplaceall() заменяет все подстроки, соответствующие регулярному выражению, на указанный текст.

   

• regexcapture() возвращает подвыражение из предыдущего совпадения.

   

• regexcapturenamed() возвращает подвыражение, соответствующее совпадающей именованной группе в регулярном выражении из предыдущего совпадения.

Давайте посмотрим, как это работает

Мы хотим найти и извлечь номера телефонов в адресах глав правительств.

Нам требуются следующие правила:

• Номер телефона следует за «Phone:» или «tel:».

   

• Он может начинаться с «+».

   

• После «+» или в начале он содержит от 1 до 3 ненулевых цифр.

   

• После этого в нем может быть от 7 до 32 цифр, пробел или «-«.

Мы хотим сгенерировать переменную phone для извлеченного номера телефона, который не содержит «Phone:» или «tel:», если адрес совпадает.

Мы хотим сгенерировать еще одну переменную, address1, чтобы заменить номер телефона на извлеченный номер телефона, указанный выше, за которым следует «tel:».

Компоненты регулярного выражения в локальном макросе reg выглядят следующим образом:

• (?:Phone\:[\s]*?|tel\:[\s]*)— поиск «Phone:» или «tel:» без пробелов или с пробелами, но без захвата совпадения.

• ([+]{0, 1}[1-9]{1, 3}[0-9\s-]{7,32})— поиск и захват регулярного выражения, удовлетворяющего следующим условиям:

   

  • [+]{0, 1} — может начинаться с «+».

     

  • [1-9]{1, 3}— после «+» или в начале, он содержит от 1 до 3 ненулевых цифр.

     

  • [0-9\s-]{7,32} — после него может быть от 7 до 32 цифр, пробел или «-«.

Мы видим, что третий адрес не содержит ни «Phone:», ни «tel:» и, следовательно, не соответствует регулярному выражению, поэтому телефон в этом наблюдении отсутствует.