从 R 中的 *.txt 文件中提取文本

Question

我已经使用 Mac 的表达式来确认我的正则表达式有效，但我找不到从我的文本文件中提取信息的命令。我有 2,500 个文本文件，我需要提取每个文档的日期以填充数据集。仅供参考，"date" 是要提取的第一个变量，还会有其他变量。文件的格式各不相同，并且有多个日期。我只对每个文档的第一个日期感兴趣。一些文档以日期换行，另一些文档以单词 "Date" 或 "Dated" 开头。

每个文本文档的示例：

Bangor
dorset
LL56 43r

date:         10 july 2009
take notice:  the blah blah blah text goes here and there's lots of it.
action:

有效的正则表达式：

"\d{1,2}\s+(?:january|february|march|april|may|june|july|august|september|october|november|december)\s+\d{4}"

文本文档作为单元素字符向量在 R Studio 环境中可见。我想提取文本 "as is" 这样的东西...

> strapply(NoFN, ("\d{1,2}\.?:january|february|march|april|may|june|july|august|september|october|november|december\.\d{4}")[[1]]
> [1] 10 july 2009

显然这实际上行不通！

非常感谢！伊恩

Answer 1

您的正则表达式不适合 R，因为您需要转义 \ 字符。

正则表达式应该是：

"\d{1,2}\s+(?:january|february|march|april|may|june|july|august|september|october|november|december)\s+\d{4}"

如果您使用 stringr 包，并且您的文本被加载到 txt，您可以这样做：

library(stringr)

txt = "Bangor dorset LL56 43r\n date: 10 july 2009 \n take notice: the blah blah blah text goes here and there's lots of it. action:"

str_match(string = txt, pattern = "\d{1,2}\s+(?:january|february|march|april|may|june|july|august|september|october|november|december)\s+\d{4}")

        [,1]          
[1,] "10 july 2009"

Answer 2

我相信这样做。它使用内置变量 month.name 并且与问题不同，它使用 ().

对月份进行分组

txt <- "\n date: 10 july 2009 \n take notice: the blah blah blah text goes here and there's lots of it. action:"

pattern <- paste(tolower(month.name), collapse = "|")
pattern <- paste0("(", pattern, ")")
pattern <- paste("[[:digit:]]{1,2}[[:space:]]*", pattern, "[[:digit:]]{4}")

m <- regexpr(pattern, txt)
regmatches(txt, m)
#[1] "10 july 2009"

Answer 3

谢谢大家，这真是一种享受！

库（stringr）

txt = "Bangor dorset LL56 43r\n date: 10 july 2009 \n take notice: the blah blah blah text goes here and there's lots of it. action:"

str_match(string = txt, pattern = "\d{1,2}\s+(?:一月|二月|三月|四月|五月|六月|七月|八月|九月|十月|十一月|十二月)\s+\d{4}")

    [,1]

[1,]“2009 年 7 月 10 日”

从 R 中的 *.txt 文件中提取文本

Extracting text from *.txt files in R

r

regex

text

tm