无法从 R 中的文本中提取名称答案

【问题标题】：Unable to extract Name from text in R无法从 R 中的文本中提取名称
【发布时间】：2019-05-30 19:40:53
【问题描述】：

我正在尝试找出使用什么正则表达式从文本中提取名称。每个名字都有一个首字母、一个句号和姓氏，后面跟着一个似乎是空格 () 的代码，当我将 csv 上传到 R 时，出于某种原因，它出现了。

以下是文本布局的四个示例：

D. Nowitzki<U+00A0>misses 2-pt jump shot from 17 ft
J. Calderon<U+00A0>misses 2-pt jump shot from 12 ft
Turnover by<U+00A0>M. Ellis<U+00A0>(bad pass; steal by<U+00A0>T. 
Splitter)

S 的防守篮板。马里昂

    data$Player <- sub("(.*\\..*)<", "\\1", data$Play)

    data$Player <- sub("(.*\\..*)<", "\\1", data$Play)

【问题讨论】：

试试stringr::str_extract(data$Play, "\\b\\p{Lu}\\.\\s*\\w+")
哇。快速。非常感谢。为了我的学习，你能解释一下我哪里出错了，正则表达式中的 {Lu} 是什么？

标签： r regex stringr

【解决方案1】：

您的模式 (.*\..*)< 将尽可能多的任何 0+ 字符捕获到第 1 组，然后是 . 字符，然后尽可能多地捕获任何 0+ 字符，然后匹配 <。因此，您匹配了很多文本，不清楚 <U+00A0> 是文字文本还是代表数据中不间断空格的实体。如果后者为真，则您的模式不匹配，因为没有 <。

我假设您想提取第一个以字母开头的匹配项作为一个完整的单词，然后是一个点，然后是任何 0 个或多个空格，然后是 1+ 个字母。因此，您可以使用

\b\p{Lu}\.\s*\p{L}+

请参阅regex demo。

详情

\b - 单词边界
\p{Lu} - 任何大写的 Unicode 字母 -\. - 一个点
\s* - 0+ 个空格
\p{L}+ - 任意 1+ Unicode 字母

在 R 中，您可以轻松地使用带有 stringr::str_extract 的模式，它只提取第一个匹配项：

res <- stringr::str_extract(data$Play, "\\b\\p{Lu}\\.\\s*\\p{L}+")

【讨论】：