是否有 R 函数来捕获文本中的大量模式？

问题描述

我的数据集中有以下文本：

[1] "q negociação c/v tipo mercado prazo especificação do título obs (*) quantidade preço / ajuste valor operação / ajuste d/c 1-bovespa c fracionario magaz luiza on eb nm,# 6225 76 d 1-bovespa c fracionario magaz luiza on eb nm # 9 25,76 231,84 d 1-bovespa c fracionario magaz luiza on eb nm 40 25,76 1030,40 d 1-bovespa 1-bovespa c 1-bovespa 40,14 725,60 d resumo dos negócios"

我想提取两个标准之间的各种文本，特别是“1-bovespa”和“d”之间包含的文本。目前，我使用 str_extract readtext 包，但它只对找到的第一个模式这样做。但是，我希望该命令滚动浏览所有文本，并在再次找到该模式时构建一个数据框。

我正在尝试这样的事情：

str_extract_all(out,"\\(1-bovespa).+?\\d")

解决方法

您模式中有括号 - 逃出所以他们从字面上理解。您的文本没有括号。此外，\d 是匹配数字的特殊正则表达式，您需要文字 d。我删除了括号和 \\，它似乎有效：

out = "q negociação c/v tipo mercado prazo especificação do título obs (*) quantidade preço / ajuste valor operação / ajuste d/c 1-bovespa c fracionario magaz luiza on eb nm # 1 25,76 25,76 d 1-bovespa c fracionario magaz luiza on eb nm # 9 25,76 231,84 d 1-bovespa c fracionario magaz luiza on eb nm 40 25,76 1030,40 d 1-bovespa c fracionario mrv on ed nm 40 18,14 725,60 d resumo dos negócios"
str_extract_all(out,"1-bovespa.+?d")
# [[1]]
# [1] "1-bovespa c fracionario magaz luiza on eb nm # 1 25,76 d" 
# [2] "1-bovespa c fracionario magaz luiza on eb nm # 9 25,84 d"
# [3] "1-bovespa c fracionario magaz luiza on eb nm 40 25,40 d"
# [4] "1-bovespa c fracionario mrv on ed" 

,

这是一种使用重复模式作为分隔符的不同方法。这有点hacky，但似乎有效：

library(tidyverse)
text <- "q negociação c/v tipo mercado prazo especificação do título obs (*) quantidade preço / ajuste valor operação / ajuste d/c 1-bovespa c fracionario magaz luiza on eb nm # 1 25,60 d resumo dos negócios"


delim1 <- "1-bovespa "
delim2 <- " d"

result <- strsplit(text,delim1) %>% 
  unlist() %>%
  paste0(delim1,.) %>% 
  strsplit(.," d") %>% 
  unlist() %>% 
  enframe(value = "text",name = NULL) %>% 
  slice(2:nrow(.)) %>%
  mutate(text = paste0(text,delim2)) %>% 
  filter(grepl(delim1,text))

结果：

result
# A tibble: 4 x 1
  text                                                           
  <chr>                                                          
1 1-bovespa c fracionario magaz luiza on eb nm # 1 25,76 d 
2 1-bovespa c fracionario magaz luiza on eb nm # 9 25,84 d
3 1-bovespa c fracionario magaz luiza on eb nm 40 25,40 d
4 1-bovespa c fracionario mrv on ed nm 40 18,60 d