如何从 R 中的 .rtf 中提取日期答案

【问题标题】：How do I extract dates from .rtf in R如何从 R 中的 .rtf 中提取日期
【发布时间】：2019-09-07 11:03:36
【问题描述】：

我有 .rtf 格式的文章，我想从中提取日期。文章长这样：

第一行是标题，后面是一个空行。然后它列出了以下内容，每个都在自己的行中：

字数
日期
通讯社
通讯社的缩写
语言
版权信息

我已经尝试了以下代码，但它似乎不起作用。似乎问题在于提取日期。

##First I read the file using this code: 
htmlText <- read_file(paste("/Users/adhyantarahma/Desktop/Factiva-20190905-0316.rtf"))

##then I removed new lines tags
removeNewLines <- gsub("\n"," ",htmlText) 

##and I changed " to ' in text
cleanLines <- gsub("\"", "'", removeNewLines) 

print(cleanLines)

##the relevant part of cleanLines look like this 
#\\ 347 words\\ 9 April 2016\\ FARS News Agency\\ FARSNA\\ English\\

##then I used this to extract date 
date <- str_extract_all(htmlText, "words \\d{1,2} [A-Z][a-z]+ \\d{4}")[[1]]

但它似乎没有选择日期。当我运行它时，它总是说没有字符。

我应该怎么做才能取到日期？

【问题讨论】：

标签： r regex date

【解决方案1】：

我只是按照您的解决方案并将其转变为稍作修改的解决方案。

library(readr)
library(stringr)
htmlText <- read_file("Factiva-20190905-0316.rtf")


# -------------------------------------------------------------------------
              # output -- htmlText
# [1] "347 words\n9 April 2016\nFARS News Agency\nFARSNA\nEnglish\n"

# -------------------------------------------------------------------------

#replace "\n" with a space   
removeNewLines <- gsub("\n"," ",htmlText) 

# -------------------------------------------------------------------------
            # output -- removeNewLines
# [1] "347 words 9 April 2016 FARS News Agency FARSNA English "

# -------------------------------------------------------------------------

       # extract the date from removedNewLines
my_date <- str_extract_all(removeNewLines, "\\d{1,2} [A-Z][a-z]+ \\d{4}")[[1]]
        # output -- my_date
#[1] "9 April 2016"

# -------------------------------------------------------------------------

【讨论】：