从期刊参考中提取信息的正则表达式答案

【问题标题】：Regular expression to extract info from journal reference从期刊参考中提取信息的正则表达式
【发布时间】：2013-12-09 00:01:37
【问题描述】：

如果我有一个带有给定期刊参考的字符串，格式如下

ref="Carlson, A., Bernier, U.R., Hogsette, J.A., and Sutton, B.D. 2001. Distinctive hydrocarbons of the black dump fly, Hydrotaea aenescens (Diptera: Muscidae). Arch. Insect Biochem. Physiol. 48:167-178."

然后我想在 R 中提出好的gsub 表达式来提取第一作者、期刊和卷加页。对于我已经想出的年份和作者

year=strsplit(sub('^\\D*', '',ref),". ")[[1]][[1]]
year
"2001"
author=gsub("[^a-zA-Z0-9 ]","",strsplit(ref,"\\., ")[[1]][[1]])
author
"Carlson A"

但是我很难为期刊以及卷和页找到一个好的表达方式。有人有什么想法吗？（理想情况下，卷和页应该被检测为包含数字、句号或冒号的字符串的最后一个字符，并且期刊应该由第一次删除后位于年份和卷+页之间的部分组成第一部分介于年份（加上句号）和下一个句号之间，应该是标题）

干杯，汤姆

【问题讨论】：

你能给出一个明确的输出吗？

标签： regex string r gsub

【解决方案1】：

这里不需要使用gsub，只需strsplit。这应该是一个好的开始：

ll <- unlist(strsplit(ref,','))
ll[1]
[1] "Carlson"

strsplit(tail(ll,1),'[.]')
[[1]]
[1] " Hydrotaea aenescens (Diptera: Muscidae)" " Arch"                                   
[3] " Insect Biochem"                          " Physiol"                                
[5] " 48:167-178"

【讨论】：

嘿-谢谢-这是获取卷数和页码的好方法，但是期刊标题呢-提取起来更棘手，不是吗？（“Arch. Insect Biochem. Physiol.”）
@TomWenseleers - 我认为你已经被期刊标题所困扰。我看不出如何可靠地确定论文标题的结束位置和期刊的开始位置。也许您可以使用常见的词干，如 Arch.、Journal of 或 J. 或任何猜测。
@TomWenseleers 我不知道。我认为学术领域的 SO 贡献者会更有帮助..
如何首先删除位于年份和第一个句号之间的字符串部分，并假设那是标题，然后假设剩下的音量信息是杂志？但是我怎样才能最优雅地做这样的事情呢？