如何编写正则表达式筛选1970年及以后的命名含年份文件？

文件情况与需求 #

我有一批涵盖1881-2021年各月份的文件，文件名格式为月份/年份，示例如下：

• 01_Jan/193501asc.gz
• 09_Sep/188209asc.gz
• 01_Jan/197501asc.gz
• 07_Jul/202107asc.gz

需求是筛选出1970年及以后（1970-2021年）的文件，之前尝试的R代码没能实现目标：

file_ls <- list.files(paste(myPath, "data", sep = "/"), 
                      pattern = "[>1970]",
                      #pattern = "[1970-2021]",
                      #pattern="*\\.gz$", # ending character
                      recursive=TRUE)

期望返回的文件：

• 01_Jan/197501asc.gz
• 07_Jul/202107asc.gz

问题分析 #

你之前用的正则表达式写法有误：

• [>1970]是字符组，只会匹配单个字符（>、1、9、7、0中的任意一个），无法匹配年份范围
• [1970-2021]同样是字符组，逻辑完全错误，不能用来匹配连续的年份区间

正确解决方案 #

正则表达式编写思路 #

文件名中的年份是4位数字，位于路径分隔符/之后，我们需要精准匹配1970-2021的年份：

• 1970-1999年：19[7-9]\d（以19开头，第三位数字7-9，第四位任意数字）
• 2000-2021年：20(0\d|1\d|2[01])（以20开头，第三位为0/1，或者第三位是2且第四位为0/1）

组合后的正则模式为：/(19[7-9]\d|20(0\d|1\d|2[01]))\d{2}asc\.gz$

修改后的R代码 #

file_ls <- list.files(file.path(myPath, "data"), 
                      pattern = "/(19[7-9]\\d|20(0\\d|1\\d|2[01]))\\d{2}asc\\.gz$",
                      recursive = TRUE)

代码说明 #

• 用file.path拼接路径，比paste更适配不同操作系统
• 正则中通过/(...)锁定路径分隔符后的年份部分，避免误匹配其他位置的数字
• R语言中正则里的\d需要转义为\\d
• 末尾的$确保匹配到文件结尾，排除不符合格式的文件

内容的提问来源于stack exchange，提问作者maycca