从字符串中提取满足长度条件的单词

Question

我有一个专利数据集，当我导入IPC-类信息RI获取包含在一个变量量和一组我不需要数字空格的字符串。 以下是与专利文件相对应的IPC代码：

b <- "F24J   2/05        20060101AFI20150224BHEP        F24J   2/46        20060101ALI20150224BHEP        "

我想删除所有的空格和长字母数字字符串，只是让我感兴趣的数据，获得这样的数据帧，在这种情况下：

m <- data.frame(matrix(c("F24J 2/05", "F24J 2/46"), byrow = TRUE, nrow = 1, ncol = 2))
m

我正在尝试使用gsub，因为我知道长字符串的长度总是比我感兴趣的数据长得多：

x = gsub("\\b[a-zA-Z0-9]{8,}\\b", "", ipc)
x

但是，我被卡住，当我尝试以获得我想要的数据帧进行进一步清理这个对象。 我真的很固执，如果有人可以帮助我，我将不胜感激。

提前非常感谢您。

Answer 1

您可以使用str_extract_all包中的stringr ，只要您知道要查找的模式即可：

library(stringr)
str_extract_all(b, "[A-Z]\\d{2}[A-Z] *\\d/\\d{2}")[[1]]
#[1] "F24J   2/05" "F24J   2/46"

Answer 2

选项1，选择所有噪声数据并使用替代将其消除：

/\s+|\w{5,}/g

（空格和“长”字）

https://regex101.com/r/lG4dC4/1

---

选项2，选择所有短词（最大长度为4）：

 /\\b\\S{4}\\b/g 

https://regex101.com/r/fZ8mH5/1

Answer 3

要么…

library(stringi)
library(readr)

read_fwf(paste0(stri_match_all_regex(b, "[[:alnum:][:punct:][:blank:]]{50}")[[1]][,1], collapse="\n"),
         fwf_widths(c(7, 12, 31)))[,1:2]

##     X1   X2
## 1 F24J 2/05
## 2 F24J 2/46

（这使我们假设-仅看到2个“记录”，即每个“记录”的长度为50个字符）

Answer 4

这是一种使用qdapRegex （我维护此程序包）+ magrittr的管道来使amtrix陷入困境的方法：

library(qdapRegex); library(magrittr)

b %>%
    rm_white_multiple() %>%
    rm_default(pattern="F[0-9A-Z]+\\s\\d{1,2}/\\d{1,2}", extract=TRUE) %>%
    unlist() %>%
    strsplit("\\s") %>%
    do.call(rbind, .)

##      [,1]   [,2]  
## [1,] "F24J" "2/05"
## [2,] "F24J" "2/46"