SAS - 正则表达式

正则表达式（Regular Expression）是一种文本模式，可用于文本的匹配、查找和替换。Base SAS 内置了正则表达式的实现，并提供了一系列 PRX- 函数及 CALL 子程序，便于对文本进行更为灵活的处理。

正则表达式的结构

正则表达式由普通字符和元字符组成。元字符用于匹配符合特定规则的字符集合，例如：数字、字母、标点符号等字符集合。

元字符又分为：基本元字符、定界符、限定符等。

基本元字符

常用的基本元字符如下：

\d : 匹配数字0-9
\n : 匹配换行符
\s : 匹配空白字符，包括空格、制表符等
\t : 匹配制表符
\w : 匹配任何单词字符、数字字符、下划线

例如：\d\d 将匹配两个连续的数字。

定界符

定界符用于限定匹配字符串的边界。

^ : 匹配字符串的开头
$ : 匹配字符串的结尾
\b : 匹配一个单词的边界
\B : 匹配一个单词的非边界

例如：^apple$ 只能匹配单词 apple，这是因为使用了定界符，^ 限制匹配的单词只能以 a 开头，$ 限制匹配的单词只能以 e 结束。如果不加定界符，apple 不仅可以匹配单词 apple，还可以匹配单词 pineapple 中的 apple。

限定符

限定符用于限制某个匹配模式的重复次数，不使用限定符的情况下是匹配一次。

{n} : 匹配 n 次
{n,} : 匹配至少 n 次
{n,m} : 匹配至少 n 次，至多 m 次
* : 匹配 0 次或更多次，等价于 {0,}
+ : 匹配 1 次或更多次，等价于 {1,}
? : 匹配 0 次或 1 次，等价于 {0,1}

例如：\d+ 表示匹配至少一个数字； ^app\w{0,2}$ 表示匹配以 app 开头的长度不超过 5 的字符串，包括 apple、apply 等。

限定符的匹配默认是贪婪（Greedy）的，即尽可能匹配更多的字符，但这种默认行为有时候并不是我们想要的。这时候可以使用非贪婪（Lazy）匹配，只需要在贪婪匹配的限定符后添加一个 ? 即可。

例如：fo{1,3}? 会匹配字符串 foooooo 中的 fo，而 fo{1,3} 则会匹配到 fooo，因为这是一个贪婪模式，会尽可能匹配更多的字符 o。

其他元字符

| : 匹配两个模式之一
. : 匹配任何字符，除了换行符
() : 括号内部是一个匹配模式，表示一个组合，该组合匹配到的字符串将被捕获
(?: ) : 括号内部是一个匹配模式，表示一个组合，该组合匹配到的字符串不会被捕获
\ : 匹配一个特殊字符，类似于转义

例如：

dog|t 表示匹配字符串 dog 或 t
do(g|t) 表示匹配字符串 dog 或 dot；
.* 表示匹配任意多个字符，不包括换行符
\. 表示匹配字符 "." 本身

集合

如果需要匹配多个字符中的任何一个，一种解决办法是连续使用多个 | ，但更推荐的是使用集合。使用 [] 表示一个集合，其中包含需要匹配的若干字符。例如：[abcde] 表示匹配字母 a~e，等价于 (a|b|c|d|e) 。如果需要进行反向匹配，只需要在开头加上 ^ 符号，例如：[^abcde] 匹配任何字母 a~e 之外的字符。

[...] : 匹配集合中的任意字符
[^...] : 匹配集合外的任意字符

对于常见的集合，SAS 提供了更为简洁的表达方式：

[a-z] : 匹配小写字母 a~z
[A-Z] : 匹配大写字母 A~Z
[0-9] : 匹配数字 0~9
[[:alpha:]] : 匹配单个字母
[[:alnum:]] : 匹配单个字母或数字
[[:blank:]] : 匹配单个空白字符
[[:digit:]] : 匹配单个数字
[[:lower:]] : 匹配单个小写字母
[[:upper:]] : 匹配单个大写字母
[[:punct:]] : 匹配单个标点符号

例如：[A-Za-z_0-9_][A-Za-z0-9]{0,7} 可以匹配一个 SAS V5 下合法的变量名。

正则表达式的构建

通过构建合适的正则表达式，可以实现复杂规则的字符串的匹配和替换操作。下面通过一个实例，来理解正则表达式的完整构建过程。

创建包含若干文本型日期的数据集，其中某些日期是不完整的，使用 “uk” 进行替代：

data test;
    input dtc $10.;
cards;
2023-07-14
2003/07/UK
1999-07-uk
2015/UK/uk
1982-UK-17
ukuk-04-uK
ukuk/UK-uk
;
run;

现在，需要使用正则表达式对所有文本型日期进行模式匹配。观察数据，可以发现，这些文本型日期都有共同的规律，即按年、月、日的顺序呈现，使用 “-” 或 “/” 作为分隔符。

首先，使用 d{4} 和 \d{2} 可以匹配完整的年、月、日；使用 (\/|\-) 可以匹配年、月、日之间的分隔符；因此，可以用以下正则表达式匹配一个完整的日期：

\d{4}(\/|\-)\d{2}(\/|\-)\d{2}

其次，部分不完整的日期使用“uk”替代，因此还需要额外使用 [Uu][Kk] 进行匹配，上述正则表达式进一步演变为：

(\d{4}|([Uu][Kk]){2})(\/|\-)(\d{2}|[Uu][Kk])(\/|\-)(\d{2}|[Uu][Kk])

最后，加上定界符，限制匹配的开头和结尾：

^(\d{4}|([Uu][Kk]){2})(\/|\-)(\d{2}|[Uu][Kk])(\/|\-)(\d{2}|[Uu][Kk])$

至此，一个用于匹配不完整文本型日期的正则表达式就构建完成了。

字符串匹配

正则表达式构建完成后，就可以应用于字符串的匹配。SAS 提供了 PRXMATCH 函数用于正则表达式的模式匹配。

我们可以在函数 PRXMATCH 中直接使用正则表达式，也可以先使用函数 PRXPARSE 对正则表达式进行解析，获得解析后的 ID，然后在函数 PRXMATCH 中使用这个 ID。

在 SAS 中，正则表达式本身也是一个字符串，为了不与普通字符串相混淆，需要在正则表达式两端添加斜杠 / 以示区分，以下为前一节中的正则表达式在匹配模式下的呈现形式：

/^(\d{4}|([Uu][Kk]){2})(\/|\-)(\d{2}|[Uu][Kk])(\/|\-)(\d{2}|[Uu][Kk])$/

完整 SAS 代码如下：

data match;
    set test;
    id = prxparse("/^(\d{4}|([Uu][Kk]){2})(\/|\-)(\d{2}|[Uu][Kk])(\/|\-)(\d{2}|[Uu][Kk])$/");
    if prxmatch(id, dtc) then do;
        flag = "匹配成功";
    end;
    else do;
        flag = "匹配失败";
    end;
run;

匹配结果：

字符串替换

除了使用正则表达式匹配字符串外，通常我们还希望能够实现字符串的替换。SAS 提供的 PRXCHANGE 函数可以帮助我们完成这一任务。

在 SAS 中，字符串的替换需要使用替换模式的正则表达式，我们需要在匹配模式的正则表达式开头添加字符 s，并在末尾追加替换结果的正则表达式。

例如：s/(\d{4})-(\d{2})-(\d{2})/$1$2$3/ 表示匹配 “YYYY-MM-DD” 的日期，并删除分隔符 “-”。其中 $1, $2, $3 表示对缓冲区字符串的引用，缓冲区的字符串是通过元字符 () 来捕获的，左半括号出现的位置代表了缓冲区的序号，即 $1 表示捕获年份 “YYYY” 的第一个缓冲区， $2 表示捕获月份 “MM” 的第二个缓冲区，以此类推。括号的捕获行为是默认的，如果仅仅是表示一个组合而不进行捕获，可以在括号内开头添加 ?:，代表不进行捕获，不会生成缓冲区的序号。

回到前面匹配不完整文本型日期的例子，现在，我们需要在匹配完成之后，将日期的展示格式统一修改为 “MM-DD-YYYY” 的形式。以下为这个例子中的正则表达式在替换模式下的呈现形式：

s/^(\d{4}|(?:[Uu][Kk]){2})(?:\/|\-)(\d{2}|[Uu][Kk])(?:\/|\-)(\d{2}|[Uu][Kk])$/$2-$3-$1/

完整 SAS 代码如下：

data replace;
    set test;
    id = prxparse("s/^(\d{4}|(?:[Uu][Kk]){2})(?:\/|\-)(\d{2}|[Uu][Kk])(?:\/|\-)(\d{2}|[Uu][Kk])$/$2-$3-$1/");
    dtc_new = prxchange(id, -1, dtc);
run;

替换结果：