提取复杂字符串中的日期

Question

我在文件名中提取日期时遇到问题，在我的示例中，文件名是file.name ：

file.name<- c("AZAMBUJAI002A20190518T133231_20190518T133919_T22JCM_2021_05_19_01_18_22.tif","RINCAODOSSOARES051B20210107T133231_20190518T133919_T22JSM_2021_05_19_01_18_22",
"VILAPALMA33K20181018T133231_20190518T133919_T23JCM_2020_05_19_01_18_22.tif")

我需要在新的 object 中提取文件名中的具体日期： 20190518 、 20210107和20181018 。 但是对于这个 a 不能使用substr因为 a 具有不同长度的区域名称（ AZAMBUJAI002A 、 RINCAODOSSOARES051B和VILAPALMA33K ）并且也不要使用删除字母（数字区域 id 的原因 - 002、051 和 33）。 以“_”分隔的“.tif”之前的最后日期不是有用的信息。

我想要的 output 是：

mydates
[1] 2019-05-18
[2] 2021-01-07
[3] 2018-10-18

对所描述的问题有任何解决方案吗？ 谢谢！！

Answer 1

这是一种使用正则表达式提取的方法-假设您只有以20xx开头的年份

library(stringr)
library(lubridate)

date_string <- str_extract(file.name,
  "20\\d{2}\\[0,1][1-9]\\[0-3][1-9]")

date_string
#> [1] "20190518" "20210107" "20181018"

ymd(date_string)
#> [1] "2019-05-18" "2021-01-07" "2018-10-18"

^{由reprex package (v2.0.0) 于 2021 年 5 月 19 日创建}

Answer 2

使用基本 R 函数的解决方案。 只要格式始终为“yyyymmdd”并且相关字符串出现在第一个下划线之前，就可以工作：

file.name<- c("AZAMBUJAI002A20190518T133231_20190518T133919_T22JCM_2021_05_19_01_18_22.tif",
              "RINCAODOSSOARES051B20210107T133231_20190518T133919_T22JSM_2021_05_19_01_18_22",
              "VILAPALMA33K20181018T133231_20190518T133919_T23JCM_2020_05_19_01_18_22.tif")

使用gsub两次：首先（在内部函数中）删除第一个下划线之后的所有内容，然后提取八个数字的序列（ [0-9]{8} ：

dates <- gsub(".*([0-9]{8}).*", "\\1", gsub("^([^_]*)_.*", "\\1", file.name))

最后使用as.Date将字符串转换为 R 日期 object （可以使用format重新转换为字符串）：

dates_as_actual_date <- as.Date(dates, format("%Y%m%d"))
              

dates_as_actual_date是 R 日期 object ，如下所示：

[1] “2019-05-18” “2021-01-07” “2018-10-18”

Answer 3

library(lubridate)

ymd(gsub("(^.*_)(20[0-9]{2}_)([0-9]{2}_)([0-9]{2}_)(.*$)", 
         "\\2\\3\\4", 
         file.name))

ymd是一个 lubridate function 标识 YYYY-MM-DD 日期，几乎与使用的分隔符无关。

gsub转换一个字符串。 里面的正则表达式：

• (^.*_) 是第一个捕获组。 从开头到下划线的任何内容。
• (20[0-9]{2}_) 是第二个捕获组。 它需要一个以 20 开头的字符串，后跟任意两位数字和一个下划线。
• ([0-9]{2}_) 是第三和第四个捕获组。 它需要两位数字后跟一个下划线。
• (.*$) 是最后一个（第 5 个）捕获组。 将任何内容带到字符串的末尾。
• "\2\3\4" 返回第二个、第三个和第四个捕获组。

编辑：

对代码的解释仍然可以，但是要检索名称之后的日期，则所需的代码是这样的：

ymd(gsub("(^.*[A-Z])(20[0-9]{2})([0-9]{2})([0-9]{2})(.*$)",
         "\\2\\3\\4", 
         file.name))