提取两个单词之间的字符串，具有多种模式

Posted 2023-02-14

【中文标题】提取两个单词之间的字符串，具有多种模式

【英文标题】：Extract a string between two words, with multiple patterns

【发布时间】：2022-01-22 02:34:58

【问题描述】：

我有一系列字符串，例如“任命 XX 为负责人”、“任命 YY 为负责人”（包含在标有“标题”的列中标有“df”的数据框中）

我想提取两个不同表达式之间的名称 XX、XY。

我目前正在使用以下内容：

df$name <- df$title %>% 
  str_extract(regex(pattern = "(?<=Appointment of).*(?= as)", ignore_case=TRUE))

但是，这仅适用于两种可能的模式之一。

df$name <- df$title %>% 
  str_extract(regex(pattern = "(?<=Appointment of).*(?= as)"|"(?<=joins).*(?= as)", ignore_case=TRUE))

这当然行不通。 如何创建多个模式以输入 str_extract？

如果需要，很乐意提供更多详细信息！

非常感谢

【问题讨论】：

"(?<=Appointment of).*?(?= as)|(?<=joins).*?(?= as)"?还是"(?<=Appointment of|joins).*?(?= as)"？

嗨，Wiktor，这太棒了，我早该想到了！它有效！

我建议用测试数据和预期结果更新问题。

嗨，Wiktor，它可以工作...我在尝试代码时只是有太多空白空间，但现在它可以工作了！

【参考方案1】：

strapply 可以在不使用零宽度结构的情况下做到这一点。仅返回第二个捕获组。

library(gsubfn)

x <- c("the appointment of XX as head", "appoints YY as head") # input
strapply(x, "(appointment of|appoints) (.*?) as head", ~ ..2, simplify = TRUE)
## [1] "XX" "YY"

或使用 (?:...) 指定第一个带括号的部分不是捕获组：

strapply(x, "(?:appointment of|appoints) (.*?) as head", simplify = TRUE)
## [1] "XX" "YY"

基础 R

在基础 R 中，如果 x 的每个组件都匹配，则可以使用 sub 完成

sub(".*(appointment of|appoints) (.*?) as head.*", "\\2", x)
## [1] "XX" "YY"

如果不是，则为 strcapture

proto <- data.frame(dummy = character(0), value = character(0))
strcapture("(appointment of|appoints) (.*?) as head", x, proto)[, 2]
## [1] "XX" "YY"

【参考方案2】：

你可以使用

df$name <- df$title %>% 
  str_extract(regex(pattern = "(?<=\\bAppointment of\\s|\\bjoins\\s).*?(?=\\s+as\\b)", ignore_case=TRUE))

详情：

(?<= - 积极回顾的开始 \bAppointment of\s - 一个单词边界 (\b)、Appointment of，然后是一个空格字符 (\s) | - 或 \bjoins\s - 一个完整的单词 joins 和一个空格 ) - 回顾结束 .*? - 除换行符以外的任何零个或多个字符 (?=\s+as\b) - 需要一个或多个空格、as 和紧邻当前位置右侧的单词边界的正向前瞻。

注意stringr中的lookbehind模式并不是严格固定宽度的，你可以使用

"(?<=\\bAppointment of\\s1,100|\\bjoins\\s1,100).*?(?=\\s+as\\b)"

\s1,100 可以匹配一到一百个空格字符。

【讨论】：

非常感谢 - 不仅它有效，而且我更好地理解了正则表达式语法！非常感谢