在R中的多个特定单词之间提取一串单词答案

【问题标题】：Extract a string of words between multiple specific words in R在R中的多个特定单词之间提取一串单词
【发布时间】：2020-02-17 05:15:10
【问题描述】：

我有一个包含一个或多个关键字的长字符串，在本例中为“Realm”。我一直在使用 gsub，但这只需要最后一个关键字之后的单词。

所以字符串看起来像：

...Attributes \r\n Realm - Afrotropical \r\n IUCN Ecosystem -- Terrestrial biome...

或

...Attributes \r\n Realm - Afrotropical \r\n Realm - Neotropical \r\n . IUCN Ecosystem -- Terrestrial biome...

我一直在使用该功能：

Realm_fun<-function(x){gsub('^.*Realm -\\s*|\\s*IUCN Ecosystem.*$', '', x)}

然后使用lapply 在所有字符串上进行有趣的操作。

我该怎么做才能获得Afrotropical 的第一个字符串和Afrotropical , Neotropical 的第二个？

【问题讨论】：

标签： r lapply gsub

【解决方案1】：

我不知道你到底需要什么词。但一个想法可能是：

  regmatches(st, gregexpr("Realm - \\K(\\w+)",st,perl = TRUE))
[[1]]
[1] "Afrotropical"

[[2]]
[1] "Afrotropical" "Neotropical"

如果不想拆分的话：

trimws(gsub("(?m)^.*Realm - (\\w+)|((?!Realm).)*$","\\1 ",st,perl=TRUE))

[1] "Afrotropical"                "Afrotropical  \nNeotropical"

gsub("(?m)^(?:(?!Real).)*$|[\r\n]|.*Realm - ","",st, perl = TRUE)

[1] "Afrotropical  "              "Afrotropical  Neotropical  "

【讨论】：

【解决方案2】：

你可以试试这个：

stringi::stri_extract_last(st, regex='(?<=Realm - )(\\w+)')

stri_extract_last 将提取正则表达式的最后一个匹配项，使用查看断言断言我们可以收集单词然后环顾四周（在这种情况下使用正面查看），在这种情况下，您有单词 Afrotropical 和 新热带，然后是 Realm -。

如果你想提取最后一个匹配的两个字符串，你可以试试下面（stri_extract_all）：

stringi::stri_extract_all(st, regex='(?<=Realm - )(\\w+)')

输入：

st <- c("...Attributes  \r\n      Realm - Afrotropical  \r\n  IUCN Ecosystem -- Terrestrial biome...", 
"...Attributes  \r\n      Realm - Afrotropical  \r\n   Realm - Neotropical  \r\n .  IUCN Ecosystem -- Terrestrial biome..."
)

输出：

> stringi::stri_extract_last(st, regex='(?<=Realm - )(\\w+)')
[1] "Afrotropical" "Neotropical" 


> stringi::stri_extract_all(st, regex='(?<=Realm - )(\\w+)')
[[1]]
[1] "Afrotropical"

[[2]]
[1] "Afrotropical" "Neotropical"

【讨论】：

【解决方案3】：

使用基本函数gregexpr 和regmatches。

library(magrittr)

test<-c("...Attributes  \r\n      Realm - Afrotropical  \r\n  IUCN Ecosystem -- Terrestrial biome...","...Attributes  \r\n      Realm - Afrotropical  \r\n   Realm - Neotropical  \r\n .  IUCN Ecosystem -- Terrestrial biome...")

test %>% gregexpr("(?<=(Realm - ))[a-zA-Z]+", ., perl = T) %>% regmatches(x = test) 

#[[1]]
#[1] "Afrotropical"

#[[2]]
#[1] "Afrotropical" "Neotropical"

【讨论】：