返回开始和结束正则表达式之间的文本答案

【问题标题】：Returning text between a starting and ending regular expression返回开始和结束正则表达式之间的文本
【发布时间】：2019-03-06 21:11:25
【问题描述】：

我正在研究一个正则表达式，以从从报纸数据库下载的文件中提取一些文本。这些文件大部分格式正确。但是，每篇文章的全文都以定义明确的短语^Full text: 开头。但是，全文的结尾没有划定。我能想到的最好的结果是全文以各种元数据标签结尾，如下所示：Subject: , CREDIT:, Credit。

所以，我当然可以开始这篇文章了。但是，我很难找到一种方法来选择全文开头和结尾之间的文本。

这因两个因素而变得复杂。首先，显然结尾字符串会有所不同，尽管我觉得我可以选择类似： `^[:alnum:]{5,}: ' 这样就可以捕捉到结尾。但另一个复杂的因素是，在全文开始之前出现了类似的标签。如何让 R 只返回全文正则表达式和结尾正则表达式之间的文本？

test<-c('Document 1', 'Article title', 'Author: Author Name', 'https://a/url', 'Abstract: none', 'Full text: some article text that I need to capture','the second line of the article that I need to capture', 'Subject: A subject', 'Publication: Publication', 'Location: A country')

test2<-c('Document 2', 'Article title', 'Author: Author Name', 'https://a/url', 'Abstract: none', 'Full text: some article text that I need to capture','the second line of the article that I need to capture', 'Credit: A subject', 'Publication: Publication', 'Location: A country')

我目前的尝试在这里：

test[(grep('Full text:', test)+1):grep('^[:alnum:]{5,}: ', test)]

谢谢。

【问题讨论】：

标签： r regex stringr

【解决方案1】：

这只是搜索匹配'Full text:'的元素，然后搜索匹配':'之后的下一个元素

get_text <- function(x){
  start <- grep('Full text:', x)
  end <- grep(':', x) 
  end <- end[which(end > start)[1]] - 1
  x[start:end]
}

get_text(test)
# [1] "Full text: some article text that I need to capture"  
# [2] "the second line of the article that I need to capture"
get_text(test2)
# [1] "Full text: some article text that I need to capture"  
# [2] "the second line of the article that I need to capture"

【讨论】：