Expresiones Regulares

Cuantificadores

• ?: El caracter que precede puede aparecer como mucho una vez.
• +: El carácter que le precede debe aparecer al menos una vez.
• *: El carácter que le precede puede aparecer cero, una, o más veces.
• {}. Las llaves juegan el papel de meta caracteres, para que cumplan su funcionalidad deben estar despues de la expresión regular y encierren uno o varios números.
  • {n}: Indica que coincide n veces.
  • {n,}: Indica que coincide mas n veces.
  • {,n}: Indica que coincide hasta n veces.
  • {n,m}: Indica que coincide mas n veces y menos de m veces.

Alternación

• $: El signo de dolar representa el final de la cadena de caracteres o el final de la línea.
• ^: El acento representa el inicio de la cadena.

Agrupación

• (): Los parentesis son usados para la aplicación de operadores sobre mas de un caracter.
• []: Los corchetes agrupan caracteres en grupos o clases. Son útiles cuando es necesario buscar uno de un grupo de caracteres.
  • [a-z]: Especifica un rango de caracteres.
  • [^.... ]: Lista de caracteres excluidos
• | Una barra vertical separa las alternativas. Realiza el papel de o.
• . El punto busca cualquier carácter sin incluir los saltos de línea.

Backslash

• \a: Representa una “campana” o “beep” que se produce al imprimir este carácter.
• \e: Representa la tecla “Esc” o “Escape”
• \x: Se utiliza para representar caracteres ASCII o ANSI si conoce su código. De esta forma, si se busca el símbolo de derechos de autor y la fuente en la que se busca utiliza el conjunto de caracteres Latin-1 es posible encontrarlo utilizando 9.
• \d: Representa un dígito del 0 al 9.
• \w: Representa cualquier carácter alfanumérico.
• \s: Representa un espacio en blanco.
• \D: Representa cualquier carácter que no sea un dígito del 0 al 9.
• \W: Representa cualquier carácter no alfanumérico.
• \S: Representa cualquier carácter que no sea un espacio en blanco.
• \A: Representa el inicio de la cadena. No un carácter sino una posición.
• \Z: Representa el final de la cadena. No un carácter sino una posición.
• \b: Marca la posición de una palabra limitada por espacios en blanco, puntuación o el inicio/final de una cadena.
• \B: Marca la posición entre dos caracteres alfanuméricos o dos no-alfanuméricos.

Negación

• !: El signo de admiración representa una busqueda negativa, en otras palabras que no incluya la palabra que especificamos.

Metacaracteres especiales o de control

• \t: Representa un tabulador.
• \r: Representa el “retorno de carro” o “regreso al inicio” o sea el lugar en que la línea vuelve a iniciar.
• \n: Representa la “nueva línea” el carácter por medio del cual una línea da inicio.
• \f: Representa un salto de página
• \v: Representa un tabulador vertical
• \e: Representa un escape.

Búsqueda y condicionales

• (?=): Búsqueda hacia adelante.
• (?!): Búsqueda hacia adelante negativa, la posición no sigue un patrón.
• (?<=): Búsqeda hacia atrás.
• (?<!): Búsqueda hacia atrás negativa, la posición no sigue un patrón.
• ?( ): Condicional, busca lo que está entre paréntesis, si es verdadero entrega lo que esta por fuera.
• ?( ) |: Condicional, busca lo que está entre paréntesis, si es verdadero entrega lo que esta por fuera, sino entrega lo que sigue de |.

Clases de caracteres

• [aeiou]: Coincide las vocales minúsculas.
• [AEIOU]: Coincide las vocales mayúsculas.
• [0123456789]: Coincide cualquier número.
• [0-9]: Coincide cualquier número.
• [a-z]: Coincide cualquier letra minúscula.
• [A-Z]: Coincide cualquier letra mayúscula.
• [a-zA-Z0-9]: Coincide cualquier alfanúmerico.
• [^aeiou]: Coincide todo excepto las letras definidas.
• [^0-9]: Coincide todo excepto los números.

Clases de caracteres tipo POSIX

• [[:lower:]]: Coincide letras minúsculas.
• [[:upper:]]: Coincide letras mayúsculas.
• [[:alpha:]]: Coincide letras.
• [[:digit:]]: Coincide números.
• [[:space:]]: Coincide caracteres de espacio.
• [[:blank:]]: Coincide caracteres de espacio, excepto los de línea nueva.
• [[:alnum:]]: Coincide caracteres alfanuméricos.
• [[:cntrl:]]: Coincide caracteres de control. Estos no son visibles como \t, \n, \e, \f, etc.
• [[:punct:]]: Coincide caracteres de puntuación.
• [[:xdigit:]]: Coincide caracteres de digitos Hexadecimales (0 - 9 A - E)
• [[:print:]]: Coincide caracteres imprimible ([[:alpha:]], [[:punct:]] y espacios).
• [[:graph:]]: Coincide caracteres gráficos ([[:alpha:]] y [[:punct:]])
• [[:word:]]: Coincide dígitos, letras y guiones bajos.

Paquete stringr

Este paquete hace parte del universo tidyverse y sirve para trabajar análisis de texto.

install.packages("stringr",dependencies = T)

library(stringr)

str_detect(cadena, patrón): Detecta la presencia de un patrón o la coincidencia en una cadena.

str_detect(a,"(élag|ája)")

## [1]  TRUE  TRUE FALSE

str_detect(a,"[[:digit:]]")

## [1] FALSE FALSE  TRUE

str_which(cadena, patrón): Encuentra los índices de las cadenas que contienen un patrón coincidente.

str_which(a,"(élag|ája)")

## [1] 1 2

str_which(a,"[[:blank:]]")

## [1] 2 3

str_count(cadena, patrón): Cuenta el número de coincidencias en una cadena.

str_count(a,"[[:lower:]]")

## [1]  9 18  8

str_count(a,"[[:blank:]]")

## [1] 0 4 2

str_locate(cadena, patrón): Localiza las posiciones del patrón que coincide en la cadena. También str_locate_all.

str_locate(a,"la")

##      start end
## [1,]     7   8
## [2,]    14  15
## [3,]    NA  NA

str_locate_all(a,"la")

## [[1]]
##      start end
## [1,]     7   8
## 
## [[2]]
##      start end
## [1,]    14  15
## 
## [[3]]
##      start end

str_locate_all(a,"[[:punct:]]")

## [[1]]
##      start end
## 
## [[2]]
##      start end
## 
## [[3]]
##      start end
## [1,]     6   6
## [2,]    16  16
## [3,]    20  20

str_locate(a,"[[:digit:]]")

##      start end
## [1,]    NA  NA
## [2,]    NA  NA
## [3,]    11  11

str_locate_all(a,"[[:digit:]]")

## [[1]]
##      start end
## 
## [[2]]
##      start end
## 
## [[3]]
##      start end
## [1,]    11  11
## [2,]    12  12
## [3,]    13  13
## [4,]    14  14
## [5,]    21  21
## [6,]    22  22
## [7,]    23  23

str_sub(cadena, start = 1L, end = -1L): Extrae subcadenas de un vector de caracteres.

str_sub(a,3,7)

## [1] "rciél" " pája" " ID: "

str_subset(cadena, patrón): Devuelve solo las cadenas que contienen un patrón coincidente.

str_subset(a,"la")

## [1] "Murciélago"              "Un pájaro en la ventana"

str_subset(a,"[[:blank:]]")

## [1] "Un pájaro en la ventana" "Su ID: adf7149q#csl&232"

str_extract(cadena, patrón): Devuelve el primer patrón encontrado que coincide en cada cadena, como un vector. También str_extract_all para devolver cada patrón coincidente.

str_extract(a,"la")

## [1] "la" "la" NA

str_extract(a,"[[:blank:]]")

## [1] NA  " " " "

str_extract(a,"[[:punct:]]")

## [1] NA  NA  ":"

str_extract_all(a,"[[:punct:]]")

## [[1]]
## character(0)
## 
## [[2]]
## character(0)
## 
## [[3]]
## [1] ":" "#" "&"

str_extract_all(a,"[[:graph:]]")

## [[1]]
##  [1] "M" "u" "r" "c" "i" "é" "l" "a" "g" "o"
## 
## [[2]]
##  [1] "U" "n" "p" "á" "j" "a" "r" "o" "e" "n" "l" "a" "v" "e" "n" "t" "a" "n" "a"
## 
## [[3]]
##  [1] "S" "u" "I" "D" ":" "a" "d" "f" "7" "1" "4" "9" "q" "#" "c" "s" "l" "&" "2"
## [20] "3" "2"

str_match(cadena, patrón): Devuelve el primer patrón encontrado que coincide en cada cadena, como una matriz, con una columna para cada un metacaracter entre ( ) agrupado por patrón. También str_match_all.

str_match(a,"[[:alnum:]]")

##      [,1]
## [1,] "M" 
## [2,] "U" 
## [3,] "S"

str_match_all(a,"[[:space:]]")

## [[1]]
##      [,1]
## 
## [[2]]
##      [,1]
## [1,] " " 
## [2,] " " 
## [3,] " " 
## [4,] " " 
## 
## [[3]]
##      [,1]
## [1,] " " 
## [2,] " "

• str_length(cadena): Los anchos de las cadenas (i.e. número de puntos de código, suele ser igual al número de caracteres).
• str_pad(): Extiende cadenas a un ancho constante.
• str_trunc(): Trunca el ancho de una cadena, eliminando el contenido sobrante.
• str_trim(): Elimina los espacios en blanco desde el comienzo y/o el final de una cadena.
• str_sub() <- valor: Reemplaza subcadenas identificadas con str_sub() y se asignan al resultado.
• str_replace(cadena, patrón, reemplazo): Reemplaza el primer patrón coincidente en cada cadena.
• str_replace_all(cadena, patrón, reemplazo): Remplaza todos los patrones coincidentes en cada cadena.
• str_to_lower(cadena) Convierte cadenas a minúscula.
• str_to_upper(cadena): Convierte cadenas a mayúsculas.
• str_to_title(cadena): Convierte cadenas a título.

str_c(..., sep = "", collapse = NULL): Une múltiples cadenas en una.

str_c("Hola",a,sep = " ")

## [1] "Hola Murciélago"              "Hola Un pájaro en la ventana"
## [3] "Hola Su ID: adf7149q#csl&232"

str_c(..., sep = "", collapse = ""): Colapsa un vector de cadenas en una sola cadena.

str_c(a,collapse = " - ")

## [1] "Murciélago - Un pájaro en la ventana - Su ID: adf7149q#csl&232"

• str_dup(cadena, veces): Repite cadenas varias veces.
• str_split_fixed(cadena, patrón, n): Divide un vector de cadenas en una matriz de subcadenas (dividiendo en las ocurrencias del patrón de coincidencia). También str_split para devolver una lista de subcadenas.
• str_order(): Devuelve el vector de índices que ordena un vector de caracteres. x[str_order(x)].
• str_sort(): Ordena un vector de caracteres.
• str_conv(cadena, encoding): Sobre escribe el tipo de codificación de una cadena.
• str_view(cadena, patrón, match = NA): Vista en HTML de la primera coincidencia de expresión regular en cada cadena.
• str_view_all(cadena, patrón, match = NA): Vista en HTML de todas las coincidencias de la expresión regular.
• str_wrap(): Envuelve cadenas en párrafos de forma atractiva.