上表给出了4种前后查找的操作符。我们将给出几个例子来一一解释它们的含义和用法。

1.正向向前查找

向前查找指定了一个必须匹配但不再结果中返回的模式。向前查找实际上就是一个子表达式，从语法上看，一个向前查找模式其实就是一个以?=开头的子表达式，需要匹配的文本跟在=的后面。有些正则表达式文档使用术语“消费”来表述“匹配和返回文本”的含义。在向前查找里，被匹配的文本不包含在最终返回的匹配结果里，因此被称为“不消费”。

2.正向向后查找

向后查找的操作符为?<=，它表示查找出现在被匹配文本之前的字符（但不消费它）。?<=与?=的具体使用方法大同小异：

(1)它必须用在一个子表达式里；

(2)后跟要匹配的文本。

例子说明：

例子1：

clear

set more off

input str25 v

"this is a cat"

end

数据如下：

我们现在需要把单词“is”替换“X”，我们利用ustrregexra()函数进行替换，程序如下：

gen v1 =ustrregexra(v,"is","X")

如上图所示，不仅把单词“is”进行了替换，而且把单词“this”中的“is”替换成了“X”。

在之前的推文中我们介绍了元字符\b，来匹配单词边界，使得结果只匹配到单词“is”。

gen v1 =ustrregexra(v,"\bis\b","X")

事实上，我们还可以通过向后查找来解决这个问题。程序如下：

gen v1 =ustrregexra(v,"(?<= )is","X")

同样，结果中只匹配到了单词“is”。上述文本中，单词“is”前边是一个空格，而单词“this”中的“is”前是“th”。所以我们可以通过向后查找模式，解决这一问题。

子表达式(?<= )为一个向后查找模式，其被用来确定正确的匹配位置，只要找到“空格”就行了，“空格”并不出现在最终的匹配结果里。

在上述文本中，匹配到“空格”之后，再向后搜索“is”，因为“this”中的“is”前是“th”，所以不进行匹配。

例子2：

clear

set more off

input str25 v

"this is an island"

end

我们仍然可以通过元字符\b，来匹配单词边界，来准确匹配到单词“is”。程序如下：

gen v1 =ustrregexra(v,"\bis\b","X")

同样，我们可以通过前后查找来解决这个问题。但是和上边例子不同的是单词“island”中的“is”前也是空格，如果我们按照上述向后查找模式直接进行替换的话，island中的“is”也将被替换成“X”。

gen v1 =ustrregexra(v,"(?<= )is","X")

这个时候，我们就需要用到向前查找模式(?=)，通过向前查找模式和向后查找模式的结合解决这个问题。程序如下：

gen v1 =ustrregexra(v,"(?<= )is(?= )","X")

我们看到只有单词“is”得到了替换。

与上述例子的不同的是，我们增加了向前查找模式(?= )，它表示首先匹配“空格”，然后再向前搜索“is”，因为“island”中“is”后是“land”而不是空格，所以不进行匹配。从而结果中只匹配到单词“is”。

例子3：

我们在之前推文字符串函数、正则表达式与变量拆分中，讲到一个拆分变量的例子。数据如下：

clear

input str20 SexAge_Race

MALE41.2_White

FEMALE42.9_White

FEMALE38.5_White

FEMALE35.6_Hispanic

FEMALE48.5_White

end

我们想要把这个数据变成包含Sex、Age、Race三个变量的形式，所以需要把SexAge_Race这个变量拆分成Sex、Age、Race三个变量。这里，我们就可以用前后查找来拆分变量SexAge_Race。

程序如下：

gen Sex =ustrregexs(0) if ustrregexm(SexAge_Race,".+?(?=\d)")

gen Age =ustrregexs(0) if ustrregexm(SexAge_Race,"[\d\.]+(?=_)")

gen Race =ustrregexs(0) if ustrregexm(SexAge_Race,"(?<=_).+")

结果如下：

提取Sex时，用到正则表达式.+?(?=\d)，其中(?=\d)为向前查找模式，(?=\d)匹配到数字但不消费它。 .+？表示懒惰匹配模式，也就是把最左端的数字前面所有的内容提取出来。

提取Age时，用到正则表达式[\d\.]+(?=_)，其中(?=_)为向前查找模式，(?=_)匹配但不消费“_”，[\d\.]+匹配至少一次数字或“.”。也就是把_左端的数字和“.”提取出来。

提取Race时，用正则表达式(?<=_).+，其中(?<=_)为向后查找模式，(?<=_)匹配但不消费“_”,.+匹配任意字符至少一次。也就是把_右端的内容全部提取出来。

注意：向前查找模式的长度是可变的，它们可以包含.和+之类的元字符，所以非常灵活。但是，向后查找模式只能是固定长度。（例如：(?=\d+)是合法的，而(?<=\d+)是非法的）

负向向前查找的操作符为?!，它表示向前查找不与给定模式相匹配的文本；负向向后查找的操作符为?<!，它表示向后查找不与给定模式相匹配的文本。我们举一个例子，来说明它们的用法。

例子说明：

clear

use d:/example

我们需要从机构地址中，把城市名称提取出来。观察这个数据我们看到，城市的名称要么直接在字符串的开头（如：1、2、3、6、10行），要么就跟在安徽省的后边（如：4、8行），要么就是没有城市名称的信息（如第5、7、9行）。我们很容易想到这样的正则表达式：

gen city =ustrregexs(2) if ustrregexm(机构地址,"(安徽省)?(.+?市)")

我们看到，第5、7、9行并不是我们想要的结果。这3行中中没有城市名称的信息，匹配结果应该是missing。为什么出现这种情况呢？

我们在用(.+?)这个子表达式匹配文本时，会对“市”前边的任意字符进行匹配。因为第5、7行中存在“市场”这个字符串，而第9行中存在“超市”这个字符串。因此，这三行“市”之前的字符都会进行相应的匹配。这里我们可以利用负向前后查找模式，解决这个问题。

程序如下：

gen city3 =ustrregexs(2) if ustrregexm(机构地址, "(安徽省)?(.+?(?<!超)市)(?!场)")

与之前程序相比，我们添加了两个子表达式：(?<!超)和(?!场)

(1)表达式(?<!超)为负向向后查找模式，它表示“市”的前一个字符如果是“超”，就不进行匹配，其他的都进行相应的匹配。

(2)表达式(?!场)为负向向前查找模式，它表示“市”的后一个字符如果是“场”，就不进行匹配，其他的都进行相应匹配。

这样，通过负向前后查找模式，我们就准确的提取了城市的名称。

以上就是小编今天分享给大家的内容，大家不妨试试吧。此外，小编要悄悄告诉大家一个小秘密：

 接下来报告空气质量

全国空气质量如下

同情帝都人民！

以上就是今天给大家分享的内容了，说得好就赏个铜板呗！有钱的捧个钱场，有人的捧个人场~，点赞打赏随您心意，么么哒~

应广大粉丝要求，爬虫俱乐部的推文公众号打赏功能可以开发票啦，累计打赏超过1000元我们即可给您开具发票，发票类别为“咨询费”。用心做事，只为做您更贴心的小爬虫。第一批发票已经寄到各位小主的手中，大家快来给小爬虫打赏呀~

往期推文推荐：

1.独家Stata技术培训，千呼万唤始出来

2.关于RTF你不知道的命令

3.关于RTF你不知道的命令之番外篇

4.免费事件研究，一片片从邮局寄来

5.免费的股价同步性，一片片从邮局寄来

6.Stata叫你回家听音乐了！

7.一言不合就用stata写邮件（Outlook/Foxmail）

8.玩转stata之调用浏览器

9.I have a Stata, I have a python

10.I have a Stata, I have a Python之二——pdf转word

此外，欢迎大家踊跃投稿，介绍一些关于stata的数据处理和分析技巧。

投稿邮箱：xueyuan19920310@163.com

投稿要求：

1）必须原创，禁止抄袭；

2）必须准确，详细，有例子，有截图；

注意事项：

1）所有投稿都会经过本公众号运营团队成员的审核，审核通过才可录用，一经录用，会在该推文里为作者署名，并有赏金分成。

2）邮件请注明投稿，邮件名称为“投稿”+“推文名称”。

3）应广大读者要求，现开通有偿问答服务，如果大家遇到关于stata分析数据的问题，可以在公众号中提出，只需支付少量赏金，我们会在后期的推文里给予解答。

欢迎关注爬虫俱乐部