如何从 R 中的字符串中提取文本的特定部分？

Question

在 R 中，我有一个变量，其中包含每行的大字符串。从这些字符串中，我想提取特定部分，并将它们添加到我的数据框中的单独变量中。例如，一个字符串值如下所示：

"identification"":""138""city"":""New-York"":COMMENT""text"":""Very good!""COMMENT""text"":""It was delicious""guests"":""2""

想要的结果：

    city      comment_text_1  comment_text_2
1   New-York  Very good!      It was delicious!   

每个字符串的长度不同，并且整个字符串都使用标点符号。此外，字符串之间存在一些细微差别，例如，city"":"" 和 COMMENT""text"":"" 之间可能还有一段文本

可能是一个开始，我需要的文本始终是 city"":"" 之后的文本，第一个 COMMENT""text"":"" 和第二个 COMMENT""text"":""。此外，我需要的文本总是以两个引号结尾""

Answer 1

正如@Mark Neal 提到的，这是一项您可以通过使用正则表达式来解决的任务。我不太擅长使用正则表达式，但也许我可以给你一些见解：

library(tidyverse)
text <- c('"identification"":""138""city"":""New-York"":COMMENT""text"":""Very good!""COMMENT""text"":""It was delicious""guests"":""2""')

city <- text %>% str_extract('(?<=city"":"").*(?="":COMMENT"")')
comment_1 <- text %>% str_extract('(?<=COMMENT""text"":"").*(?=""COMMENT"")')
comment_2 <- text %>% str_extract('(?<=COMMENT""text"":"").*(?=""guests"")') %>% str_extract('(?<=COMMENT""text"":"").*')

df <- data.frame(city=city, comment_1=comment_1, comment_2=comment_2)

我做了什么？

城市

str_extract('(?<=city"":"").*(?="":COMMENT"")')

我搜索 city"":"" 和 "":COMMENT"" 并返回其间的所有内容：

[1] "New-York"

评论 1

comment_1 <- text %>% str_extract('(?<=COMMENT""text"":"").*(?=""COMMENT"")')

COMMENT""text"":"" 和 ""COMMENT"" 相同

[1] "Very good!"

评论 2

由于我无法弄清楚如何使用一个正则表达式获得所需的结果，所以我不得不迭代。

comment_2 <- text %>% str_extract('(?<=COMMENT""text"":"").*(?=""guests"")') %>% str_extract('(?<=COMMENT""text"":"").*')

第一次迭代 COMMENT""text"":"" 和 ""guests"" 返回

[1] "Very good!\"\"COMMENT\"\"text\"\":\"\"It was delicious"

因为正则表达式是贪婪的，即它返回匹配模式的最大可能字符串。 因此，COMMENT""text"":"" 的下一次迭代仅返回所需的最后一条评论：

[1] "It was delicious"