从非结构化文本中提取字符串值

Question

我正在处理数据的结构是为了多个目的而使用单个字段。我有超过1万条记录要处理，并且我需要将具有意义的特定系列字符提取到我的dataFrame中的不同字段中。我需要从中提取出可预测的模式;下面是一个例子：

x = "This field has lots of text and also what I need to extract from it which is 555_AB345678" 

我需要提取的是555_AB345678值。前三个值（555）和下划线都是可预测的; AB345678不是。但是，至少字符串的最后4个值始终是数字。我不能保证我想要的值是在字符串的末尾，但在大多数情况下，他们是我会很满意从那里开始的。

我已经探索使用gregxpr（）substring（），但还没有得到它的工作。我在想strsplit（）可以工作，但是我没有一个可预测的分隔符来分割（我需要的值只是一个可预测的模式）。我也发现了类似的问题，但没有一个看起来符合我的标准。

extract a substring in R according to a pattern

我想看看是否有人在这里有关于如何可以这样做的建议。

Answer 1

的基础R的方法是用该卷积提取：

regmatches(x, regexpr("555_.*$", x)) 
# "555_AB345678" 

$是对字符串的末尾;和.*，任何字符序列（包括一个空字符）。

---

或者，我们可以只需要部分更换整个字符串：

sub("^.*(555_.*)$", "\\1", x) 
# "555_AB345678" 

^是字符串的开始，所以我们现在整个字符串匹配，从^到$。 \\1替换是指括号内的部分。有关详细信息，请参阅?regex。对于语法较好的提取器，您可以尝试使用stringr软件包：

library(stringr) 
str_extract(x, "555_.*$") 
# "555_AB345678" 

Answer 2

您有一种模式！

threeLeadingValues下划线出头，threeDigits是足以让这个表达式：

/.{3}_.*\d{3}/ 

https://regex101.com/r/bD0pF2/2