[問題] 用regex從檔名尾拿出數4-7位數字

[luenchang (luen)]

[問題敘述]:
請教先進們，
我有21個檔案。我想從檔案名稱的尾巴拿出數字的部分，位數介於4到7位。
檔案是pdf及docx. 我已先把不要的字串去除，直到尾巴部分留下數字，這部分
命名為have.

21個檔案中只有第一個檔案的目標數字是7位(4614834)，第2到21個檔案都是4位。目前我的regex
拿出的數字全是4位數，不知道為何 \\d{4,7}  只從第1個檔案拿出4834，而不是4614834
。我把拿出的數字命名為 want

[程式範例]:
請參考以下網頁第一個部分 Extract numbers of varying length from the end of strings
https://hackmd.io/@Chang/string-manipulation-in-R

或以下的程式:

拿出檔名
file.names <- list.files( path=dir.assignment.2
                          ,pattern=".*\\.pdf$|.*\\.docx$"
                          ,full.names=FALSE) # length(file.names) 21

拿出檔名尾數字
file.names.1 <- data.frame(file.name=file.names
                            ,stringsAsFactors = F) %>%
  # Remove unwanted strings
  dplyr::mutate(have= stringr::str_remove_all( string=file.names
                                                        ,pattern =
"_Assign2_DMC-1.pdf|-1.docx|-1.pdf|_FINAL.pdf|-2.docx|.docx|.pdf")
               ,want=gsub(x=have, pattern = "(.*)(\\d{4,7})$", replacement =
"\\2", perl = TRUE)) %>%
  #Keep wanted columns
  dplyr::select(have, want)

結果
#                                                        have want
# 1     agarslawrence_204628_20026409_DMC_Assignment2_4614834 4834
# 2      andrewstimothy_297293_19936198_DMC Assignment 2 0953 0953
# 3           ashtonisabel_294366_19979255_DMC_2021S2_A2_6589 6589
# 4        beaumontjenna_294376_20033339_DMC_Assignment2_8752 8752
# 5  claytonphilipandrew_125548_20002099_DMC_Assignment2_7392 7392
# 6             eddydani_297300_19967943_DMC_Assignment2_4833 4833
# 7      edwardsfelicity_281039_19732901_DMC_Assignment2_4127 4127
# 8           gannonsean_294373_19967863_DMC_Assignment2_6490 6490
# 9             gawjames_295684_19988820_DMC_Assignment2_7389 7389
# 10    godwinsam_294371_20034982_DMC_Assignment2_unikey_6083 6083
# 11        guanqi_LATE_296467_20039218_ DMC_Assignment2_0313 0313
# 12          herbertrob_110692_19622280_DMC_Assignment2_2309 2309
# 13       hopkinsnathan_293664_20025212_DMC_Assignment2_8928 8928
# 14       huangannette_265602_20028154_DMC_Assignment 2_6822 6822
# 15           ilaovince_294377_20026222_DMC_Assignment2_6193 6193
# 16          lammichael_293038_19961008_DMC_assignment2_0718 0718
# 17           lamyanyin_294380_19991757_DMC_Assignment2_6098 6098
# 18          leekenneth_281025_19958430_DMC_Assignment2_8800 8800
# 19          luimatthew_296777_20032458_DMC_Assignment2_0384 0384
# 20                        mcphailsandi_283784_20036309_5572 5572
# 21          millerjake_278059_20036475_DMC_Assignment2_8847 8847

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 49.197.45.209 (澳大利亞)
※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1633831748.A.F2E.html
→ andrew43: ".*" 太貪心。留意到[ _]是分隔的重點，整個pattern可以
→ andrew43: 改成 "([^_ ]+)([_ ]+)(\\d+)$"，其實就是按 [_ ] 切開
→ andrew43: 或是 "([^\\d]+)(\\d+)$" 或許也容易理解。
→ andrew43: 你要抓取的東西pattern會很多種都可用，先找一個好懂的
→ andrew43: 對於 ".*" 這種包山包海的集合，細心一點看待它。