【问题标题】：Regular expression to extract number before/after word正则表达式提取单词之前/之后的数字
【发布时间】：2018-11-14 01:13:46
【问题描述】：

我有10000 描述，我想使用正则表达式来提取与短语“被捕”相关的数字。

例如：

"police arrests 4 people"
"7 people were arrested".

数字范围为1-99。

我已经尝试了以下代码：

gen arrest= regexm(description, "(^[1-9][0-9]$)[ ]*(arrests|arrested)")

我不能简单地提取数字，因为描述中还提到了与逮捕无关的数字。

【问题讨论】：

标签： regex stata

【解决方案1】：

你可以使用这个正则表达式：

(?:([1-9]?[0-9])[a-zA-Z ]{0,20}(?:arrests|arrested))|(?:(?:arrests|arrested)[a-zA-Z ]{0,20}([1-9]?[0-9]))

无论数字是在'arrests|arrested'之前还是之后，它都会将搜索分成2份。

它会创建一个非捕获 Group，它匹配 1-9 的 number（可选）和 0-9 的数字。接下来是匹配0 - 20 of any letter 和空格（其他单词），然后再匹配'arrests OR arrested.，然后将其与相反的情况（数字最后出现）进行或运算。

如果号码是来自“arrests|arrested”的within 20 chars，这将匹配。

【讨论】：

【解决方案2】：

也许是这样的？

(\d+)[^,.\d\n]+?(?=arrest|custody)|(?<=arrest|custody)[^,.\d\n]+?(\d+)

Regex101

请记住，这与数字的文本版本不匹配（即，有 5 人被捕） - 因此，如果需要，您必须将其合并。

打破模式

(\d+)[^,.\d\n]+?(?=arrest|custody) 第一个选项，如果 # 出现在观察的术语之前
- (\d+) 要捕获的号码，+ 一位或多位数字
- [^,.\d\n]+? 匹配除逗号 ,、句点 .、数字 \d 或换行符 \n 之外的任何内容。这些防止 FPs 来自不同的句子（必须包含在同一个句子中） - +? 一次或多次（懒惰）
- (?=arrest|custody) 积极前瞻检查任一单词：
(?<=arrest|custody)[^,.\d\n]+?(\d+) 第二个选项，如果 # 出现在观察的条款之后
- (?<=arrest|custody) 正向后视检查单词是否在 # 之前
- [^,.\d\n]+? 匹配除逗号 ,、句点 .、数字 \d 或换行符 \n 之外的任何内容。这些防止 FPs 来自不同的句子（必须包含在同一个句子中） - +? 一次或多次（懒惰）
- (\d+) 要捕获的号码，+ 一位或多位数字

杂记

如果您想添加数字的文本表示，则可以将其合并到 (\d+) 捕获组中。

如果除了arrested或custody之外，您还有其他要注意的条款，您可以将这些条款添加到两个环视组中

【讨论】：

【解决方案3】：

以下对我有用（基于@PoulBak 想法的解决方案）：

clear

input strL var1
"This is 1 long string saying that police arrests 4 people"
"3 news outlets today reported that 7 people were arrested"
"several witnesses saw 5 people arrested and other 3 killed"
end

generate var2 = ustrregexs(0) if ustrregexm(var1, "(?:([1-9]?[0-9])[a-zA-Z ]{0,20}(?:arrests|arrested))|(?:(?:arrests|arrested)[a-zA-Z ]{0,20}([1-9]?[0-9]))")

list

   +-------------------------------------------------------------------------------------+
   |                                                       var1                     var2 |
   |-------------------------------------------------------------------------------------|
1. |  This is 1 long string saying that police arrests 4 people                arrests 4 |
2. |  3 news outlets today reported that 7 people were arrested   7 people were arrested |
3. | several witnesses saw 5 people arrested and other 3 killed        5 people arrested |
   +-------------------------------------------------------------------------------------+

【讨论】：