Matlab用regexp解析大型元胞数组无匹配场景的高效方法咨询

问题1：无需UniformOutput,false的实现方案 #

原生Matlab的regexp没有无匹配返回自定义值的参数，最简洁的实现是将匹配逻辑封装为返回标量的自定义函数，这样cellfun检测到所有输出都是同类型标量，就不需要关闭UniformOutput校验：

1. 先定义通用提取函数

function val = extract_thing(str, expr)
    match = regexp(str, expr, 'tokens', 'once');
    if isempty(match)
        val = 'Unknown';
    else
        val = match{1}; % 直接解包tokens返回字符串，避免嵌套
    end
end

2. 直接调用cellfun无需额外参数

out3 = cellfun(@(x) extract_thing(x, expr3), mycell);

返回的out3本身就是标量元胞数组，每个元素都是字符串，可直接传入unique等函数。 #

问题2：UniformOutput,false方案转标量元胞数组 #

你当前的嵌套结构是因为regexp的tokens参数返回的匹配结果本身是元胞，空匹配你回填了字符串，才出现混合结构。一行代码即可完成解包：

out_scalar = cellfun(@(x) ifelse(iscell(x), x{1}, x), out, 'UniformOutput', false);

• 标量元胞数组的定义：每个元胞内仅存储单个基础类型元素（单个字符串、单个数值等），不存在嵌套元胞/数组结构，这类元胞数组支持所有标准元胞操作函数。

问题3：更优的整体实现思路 #

针对你10万条的量级，更推荐类JSON清洗解析方案，比正则适配各种边界情况的容错性更高，性能也不差：
你的输入字符串本身是接近JSON的结构，只需少量清洗即可转为合法JSON直接解析：

% 逐行清洗后jsondecode
mycell_clean = strrep(mycell, '''''', '"'); % 两个单引号替换为双引号
mycell_clean = regexprep(mycell_clean, ',\s*"+$', '}'); % 末尾多余的引号和逗号替换为闭合括号
mycell_clean = strcat('{', mycell_clean); % 开头补左括号
% 逐行解析
out = cellfun(@(x) jsondecode(x), mycell_clean, 'UniformOutput', false);

解析后可直接按字段名取值，不存在漏匹配、格式适配的问题。 #

问题4：一次性提取三个字段的实现方案 #

先写包含三个捕获组的正则，可选匹配thing3字段：

expr_all = '(?<=thing1''):\s?''?-?([\w\d().]*?)''?,.+?(?<=thing2''):\s?''?-?([\w\d().]*?)''?,.+?(?:(?<=thing3''):\s?''?-?([\w\d().]*?)''?,)?';
% 批量提取
out_all = regexp(mycell, expr_all, 'tokens', 'once', 'UniformOutput', false);
% 统一回填空值并解包
out_all = cellfun(@(x) {
    ifelse(isempty(x{1}), 'Unknown', x{1}), ...
    ifelse(isempty(x{2}), 'Unknown', x{2}), ...
    ifelse(length(x)<3 || isempty(x{3}), 'Unknown', x{3})
}, out_all, 'UniformOutput', false);
% 转为N行3列的标量元胞数组，直接建表
out_mat = vertcat(out_all{:});
mytable = table(out_mat(:,1), out_mat(:,2), out_mat(:,3), 'VariableNames', {'thing1','thing2','thing3'});

内容的提问来源于stack exchange，提问作者skratch