提取兩個單詞之間的字符串，具有多種模式

Question

我有一系列字符串，例如“任命 XX 為負責人”、“任命 YY 為負責人”（包含在標有“標題”的列中標有“df”的數據框中）

我想提取兩個不同表達式之間的名稱 XX、XY。

我目前正在使用以下內容：

df$name <- df$title %>% 
  str_extract(regex(pattern = "(?<=Appointment of).*(?= as)", ignore_case=TRUE))

但是，這僅適用於兩種可能的模式之一。

df$name <- df$title %>% 
  str_extract(regex(pattern = "(?<=Appointment of).*(?= as)"|"(?<=joins).*(?= as)", ignore_case=TRUE))

這當然行不通。 如何創建多個模式以輸入 str_extract？

如果需要，很高興提供更多詳細信息！

非常感謝

Answer 1

strapply 可以在不使用零寬度結構的情況下做到這一點。 僅返回第二個捕獲組。

library(gsubfn)

x <- c("the appointment of XX as head", "appoints YY as head") # input
strapply(x, "(appointment of|appoints) (.*?) as head", ~ ..2, simplify = TRUE)
## [1] "XX" "YY"

或使用 (?:...) 指定第一個帶括號的部分不是捕獲組：

strapply(x, "(?:appointment of|appoints) (.*?) as head", simplify = TRUE)
## [1] "XX" "YY"

底座 R

在基礎 R 中，如果 x 的每個組件都匹配，則可以使用 sub 完成

sub(".*(appointment of|appoints) (.*?) as head.*", "\\2", x)
## [1] "XX" "YY"

如果不是，則為 strcapture

proto <- data.frame(dummy = character(0), value = character(0))
strcapture("(appointment of|appoints) (.*?) as head", x, proto)[, 2]
## [1] "XX" "YY"

Answer 2

您可以使用

df$name <- df$title %>% 
  str_extract(regex(pattern = "(?<=\\bAppointment of\\s|\\bjoins\\s).*?(?=\\s+as\\b)", ignore_case=TRUE))

詳情：

• (?<= - 積極回顧的開始
  • \bAppointment of\s - 一個單詞邊界（ \b ）， Appointment of ，然后是一個空白字符（ \s ）
• | - 或者
  • \bjoins\s - 一個完整的單詞joins和一個空格
• ) - 后視結束
• .*? - 除換行符以外的任何零個或多個字符
• (?=\s+as\b) - 需要一個或多個空格、 as和緊挨當前位置右側的單詞邊界的正向前瞻。

請注意，在stringr中，lookbehind 模式不是嚴格固定寬度的，您可以使用

"(?<=\\bAppointment of\\s{1,100}|\\bjoins\\s{1,100}).*?(?=\\s+as\\b)"

其中\s{1,100}可以匹配一到一百個空白字符。