R语言中带字符串的多行文本抽取

xpcnnkqh 于 2023-02-01 发布在 R语言

关注(0)|答案(2)|浏览(224)

我的 Dataframe 中有一列包含自由文本
我想提取INDICATIONS FOR EXAMINATION之后和下一个大写行之前的文本。在下面的示例中，结果将是“Anaemia”

INDICATIONS FOR EXAMINATION
Anaemia

PROCEDURE PERFORMED
Gastroscopy (OGD)

我遇到了一些麻烦，因为我正在使用stringr，我似乎不能得到多行匹配。我一直在使用：

EoE$IndicationsFroExamination<-str_extract(EoE$Endo_ResultText, '(?<=INDICATIONS FOR EXAMINATION).*?[A-Z]+')

2条答案

这需要一点挖掘。您可以使用regex()修饰符函数。
1.使用multiline参数打开多行拟合：

str_extract_all("a\nb\nc", "^.")
# [[1]]
# [1] "a"

str_extract_all("a\nb\nc", regex("^.", multiline = TRUE))
# [[1]]
# [1] "a" "b" "c"

1.请注意dotall参数，它将打开".*"的多行行为：

str_extract_all("a\nb\nc", "a.")
# [[1]]
# character(0)

str_extract_all("a\nb\nc", regex("a.", dotall = TRUE))
# [[1]]
# [1] "a\n"

这些都记录在stringi::stri_opts_regex()中，stringr::regex()将参数传递给stringi::stri_opts_regex()。

我将正则表达式做得更通用一些，这样它将匹配所有出现的情况，并使用stringr中的str_extract_all包：

matches <- str_extract_all(str, "(?<=[A-Z]\n)([^\n]*)")

根据您提供的字符串，该函数应返回：

[[1]]
[1] "Anaemia"           "Gastroscopy (OGD)"