從非結構化文本中提取字符串值

Question

我正在處理數據的結構是爲了多個目的而使用單個字段。我有超過1萬條記錄要處理，並且我需要將具有意義的特定系列字符提取到我的dataFrame中的不同字段中。我需要從中提取出可預測的模式;下面是一個例子：

x = "This field has lots of text and also what I need to extract from it which is 555_AB345678" 

我需要提取的是555_AB345678值。前三個值（555）和下劃線都是可預測的; AB345678不是。但是，至少字符串的最後4個值始終是數字。我不能保證我想要的值是在字符串的末尾，但在大多數情況下，他們是我會很滿意從那裏開始的。

我已經探索使用gregxpr（）substring（），但還沒有得到它的工作。我在想strsplit（）可以工作，但是我沒有一個可預測的分隔符來分割（我需要的值只是一個可預測的模式）。我也發現了類似的問題，但沒有一個看起來符合我的標準。

extract a substring in R according to a pattern

我想看看是否有人在這裏有關於如何可以這樣做的建議。

Answer 1

的基礎R的方法是用該卷積提取：

regmatches(x, regexpr("555_.*$", x)) 
# "555_AB345678" 

$是對字符串的末尾;和.*，任何字符序列（包括一個空字符）。

---

或者，我們可以只需要部分更換整個字符串：

sub("^.*(555_.*)$", "\\1", x) 
# "555_AB345678" 

^是字符串的開始，所以我們現在整個字符串匹配，從^到$。 \\1替換是指括號內的部分。有關詳細信息，請參閱?regex。對於語法較好的提取器，您可以嘗試使用stringr軟件包：

library(stringr) 
str_extract(x, "555_.*$") 
# "555_AB345678" 

Answer 2

您有一種模式！

threeLeadingValues下劃線出頭，threeDigits是足以讓這個表達式：

/.{3}_.*\d{3}/ 

https://regex101.com/r/bD0pF2/2