用于查找由R中的空格分隔的两个或多个单词名称的正则表达式

Question

我有一个文本文件，它是pdf_text()的pdftools函数的输出。我想在标签Name :的eache出现后提取名字。麻烦的是名称本身没有格式化，可能包含两个或多个单词，首字母和/或句点，用空格分隔。具有所需模式的示例行如下所示：

"Name :  O P Bansal   Name :   Ganga Jawar   Name :     Ramachandran G."

我想要一份表格清单：

"O P Bansal"  "Ganga Jawar"  "Ramachandran G."

名称已经更改，但它们代表了我正在使用的内容。名称开始前至少有5个空格，后面至少有10个空格或换行符。名称本身的各个组件由单个空格或句点后跟单个空格分隔（如果是初始）

我可以将其表达为R中的正则表达式吗？某种形式'Name :\\s+(\\w+\\s)+'

Answer 1

您可以使用单个正则表达式提取它们：

\bName\s*:\s*\K.*?(?=$|\s*Name\s*:)

见regex demo。

细节

• \bName - 一个完整的单词Name（前面有一个单词边界\b）
• \s*:\s* - 用0+空格字符括起来的:
• \K - 匹配重置运算符
• .*? - 除了换行符之外的任何0 +字符，尽可能少，必须遵循...
• (?=$|\s*Name\s*:) - 字符串结尾（$）或0+空格，Name，零个或多个whitespaces和:。

见R demo online：

x <- "Name :       O P Bansal                    Name :       Ganga Jawar              Name :     Ramachandran G."
regmatches(x, gregexpr("\\bName\\s*:\\s*\\K.*?(?=$|\\s*Name\\s*:)", x, perl=TRUE))
# => [[1]]
#   [1] "O P Bansal"      "Ganga Jawar"     "Ramachandran G."

Answer 2

试试这段代码：

你的名字

list<- "Name :       O P Bansal                    Name :       Ganga Jawar              Name :     Ramachandran G."

提取名称删除初始和结束空格

list_names<-trimws(unlist(strsplit(list,"Name :")))
list_names<-list_names[list_names!=""]

你的输出

list_names
[1] "O P Bansal"      "Ganga Jawar"     "Ramachandran G."

Answer 3

我们可以使用strsplit

trimws(strsplit(str1, "Name\\s*:\\s*")[[1]])[-1]
#[1] "O P Bansal"      "Ganga Jawar"     "Ramachandran G."

---

或者与gsub

trimws(scan(text=gsub("\\s{2,}", ", ", gsub("Name\\s*:\\s*", "", str1)), what = "", sep=","))
#[1] "O P Bansal"      "Ganga Jawar"     "Ramachandran G."

---

或者我们可以使用tidyverse

library(tidyverse)
str1 %>% 
   tibble(col = .) %>%
   separate_rows(col, sep = "Name\\s*\\:\\s*") %>% 
   filter(nzchar(col)) %>%
   mutate(col = trimws(col)) %>%
   pull(col)
#[1] "O P Bansal"      "Ganga Jawar"     "Ramachandran G."

data

str1 <- "Name :       O P Bansal                    Name :       Ganga Jawar              Name :     Ramachandran G."