从 R 中的 *.txt 文件中提取文本答案

【问题标题】：Extracting text from *.txt files in R从 R 中的 *.txt 文件中提取文本
【发布时间】：2019-05-06 04:05:19
【问题描述】：

我已使用 Mac 的 Expressions 来确认我的 Regex 是否有效，但我找不到从我的文本文件中提取信息的命令。我有 2,500 个文本文件，我需要提取每个文档的日期以填充数据集。仅供参考，“日期”是要提取的第一个变量，还会有其他变量。文件的格式各不相同，并且有多个日期。我只对每个文件的第一个日期感兴趣。一些文件的日期换行，另一些文件以“日期”或“日期”开头。

每个文本文档的示例：

Bangor
dorset
LL56 43r

date:         10 july 2009
take notice:  the blah blah blah text goes here and there's lots of it.
action:

有效的正则表达式：

"\\d{1,2}\\s+(?:january|february|march|april|may|june|july|august|september|october|november|december)\\s+\\d{4}"

文本文档在 R Studio 环境中作为单个元素字符向量可见。我想“按原样”提取文本，所以类似于...

> strapply(NoFN, ("\\d{1,2}\\.?:january|february|march|april|may|june|july|august|september|october|november|december\\.\\d{4}")[[1]]
> [1] 10 july 2009

显然这实际上不起作用！

非常感谢！伊恩

【问题讨论】：

标签： r regex text tm

【解决方案1】：

您的正则表达式不适用于 R，因为您需要转义 \ 字符。

正则表达式应该是：

"\\d{1,2}\\s+(?:january|february|march|april|may|june|july|august|september|october|november|december)\\s+\\d{4}"

如果您使用stringr 包，并且您的文本加载到txt，您可以这样做：

library(stringr)

txt = "Bangor dorset LL56 43r\n date: 10 july 2009 \n take notice: the blah blah blah text goes here and there's lots of it. action:"

str_match(string = txt, pattern = "\\d{1,2}\\s+(?:january|february|march|april|may|june|july|august|september|october|november|december)\\s+\\d{4}")

        [,1]          
[1,] "10 july 2009"

【讨论】：

谢谢，我输入了 \\ 但是这里加载的问题只有一个 \。

【解决方案2】：

我相信这样做。它使用内置变量month.name，与问题不同，将月份与() 分组。

txt <- "\n date: 10 july 2009 \n take notice: the blah blah blah text goes here and there's lots of it. action:"

pattern <- paste(tolower(month.name), collapse = "|")
pattern <- paste0("(", pattern, ")")
pattern <- paste("[[:digit:]]{1,2}[[:space:]]*", pattern, "[[:digit:]]{4}")

m <- regexpr(pattern, txt)
regmatches(txt, m)
#[1] "10 july 2009"

【讨论】：

【解决方案3】：

谢谢大家，这是一种享受！

库（字符串）

txt = "Bangor Dorset LL56 43r\n 日期：2009 年 7 月 10 日 \n 请注意：blah blah blah 文本放在这里，内容很多。行动："

str_match(string = txt, pattern = "\d{1,2}\s+(?:一月|二月|三月|四月|五月|六月|七月|八月|九月|十月|十一月|十二月)\s+ \d{4}")

    [,1]

[1,]“2009 年 7 月 10 日”

【讨论】：