如何用正则或字符串操作拆分含嵌套括号的复杂字符串？

问题描述 #

我有如下成分列表：

Ingredients <- "淀粉（玉米|马铃薯|小麦）|蔬菜（27%）[豌豆（23%）（薄片|颗粒）|胡萝卜颗粒|洋葱粉|菠菜粉] | 油煎面包块（10%）（小麦粉|植物油|盐|酵母）|麦芽糊精|天然风味剂（含牛奶和大豆）|植脂末[含牛奶|矿物质盐（339或340|450或451）] |盐|矿物质盐（氯化钾）|糖|增味剂（621）|植物油|培根粉（0.5%）|欧芹|天然色素（姜黄）|焦糖|食用酸（乳酸）|胡椒提取物"

需要将这些成分拆分后存入dataframe的ingredients列中，但分隔符|在括号()或方括号[]内也有使用，因此只能对**不在括号内的|**进行拆分，最终得到如淀粉（玉米|马铃薯|小麦）、蔬菜（27%）[豌豆（23%）（薄片|颗粒）|胡萝卜颗粒|洋葱粉|菠菜粉]、盐这类完整的成分条目。

解决方案 #

方法一：使用stringr包实现 #

library(stringr)

# 定义成分字符串
Ingredients <- "淀粉（玉米|马铃薯|小麦）|蔬菜（27%）[豌豆（23%）（薄片|颗粒）|胡萝卜颗粒|洋葱粉|菠菜粉] | 油煎面包块（10%）（小麦粉|植物油|盐|酵母）|麦芽糊精|天然风味剂（含牛奶和大豆）|植脂末[含牛奶|矿物质盐（339或340|450或451）] |盐|矿物质盐（氯化钾）|糖|增味剂（621）|植物油|培根粉（0.5%）|欧芹|天然色素（姜黄）|焦糖|食用酸（乳酸）|胡椒提取物"

# 拆分括号外的|并去除条目两端空格
split_ingredients <- str_split(Ingredients, "\\|(?=(?:[^\\[\\]]*\\[[^\\]]*\\])*[^\\[\\]]*$)(?=(?:[^()]*\\([^()]*\\))*[^()]*$)")[[1]] %>%
  str_trim()

# 转换为dataframe
ingredients_df <- data.frame(ingredients = split_ingredients, stringsAsFactors = FALSE)

# 查看结果
print(ingredients_df)

方法二：使用Base R实现 #

# 定义成分字符串
Ingredients <- "淀粉（玉米|马铃薯|小麦）|蔬菜（27%）[豌豆（23%）（薄片|颗粒）|胡萝卜颗粒|洋葱粉|菠菜粉] | 油煎面包块（10%）（小麦粉|植物油|盐|酵母）|麦芽糊精|天然风味剂（含牛奶和大豆）|植脂末[含牛奶|矿物质盐（339或340|450或451）] |盐|矿物质盐（氯化钾）|糖|增味剂（621）|植物油|培根粉（0.5%）|欧芹|天然色素（姜黄）|焦糖|食用酸（乳酸）|胡椒提取物"

# 拆分并去除空格
split_ingredients <- trimws(strsplit(Ingredients, "\\|(?=(?:[^\\[\\]]*\\[[^\\]]*\\])*[^\\[\\]]*$)(?=(?:[^()]*\\([^()]*\\))*[^()]*$)")[[1]])

# 转为dataframe
ingredients_df <- data.frame(ingredients = split_ingredients, stringsAsFactors = FALSE)

正则表达式说明 #

使用的正则表达式\\|(?=(?:[^\\[\\]]*\\[[^\\]]*\\])*[^\\[\\]]*$)(?=(?:[^()]*\\([^()]*\\))*[^()]*$)作用如下：

• 精准匹配|符号
• 通过两层正向预查，确保该|之后的所有方括号[]和圆括号()都是成对闭合的，从而保证拆分只针对不在任何括号内部的|

内容的提问来源于stack exchange，提问作者Jay Bee