Question

我有一个非常具体的问题。我有一组包含电子邮件（和电子邮件链）的PDF文件，通常具有以下格式：

From: Doe, John <john.doe@mail.com>
To: Doe, Jane <john.doe@mail.com>; Doe, John
Subject: Re: Title
text ...
...
From: Doe, John <john.doe@mail.com>
To: Doe, Jane <john.doe@mail.com>; Doe, John
CC: Moe, James; Klein, John
Subject: Title
text ...

因此，在一个PDF文件中，您通常会有几个“从”，“到”和“cc”块。名称的格式始终是姓氏和名字由逗号分隔。不同的名称由分号分隔。但是，有时完整的电子邮件地址（我不需要）将包含在“＆lt;”之间和“＆gt;”。我想从这些PDF文件中提取所有名称（在from，to和cc部分中），最后输出如下：

Last name    first name
Doe          John
Doe          Jane
Moe          James
Klein        John

我已设法使用pdftools包读取PDF文件：

files <- list.files(pattern = "pdf$")
pdfs <- lapply(files, pdf_text)

但是，我目前有点陷入困境，试图找到提取所有名称并将其保存在数据框中的最佳方法。我一直在关注str_extract功能：例如从str_extract(pdfs[[1]], regex("From.*To", ignore_case = TRUE))开始，但未能找到有效的解决方案。任何帮助将非常感激。例如，假设pdfs[[1]]包含以下字符串：

teststring <- "From: Doe, John <john.doe@mail.com>\r\n
To: Doe, Jane <john.doe@mail.com>; Doe, John\r\n
Subject: Re: Title\r\n
text ...\r\n
...\r\n
From: Doe, John <john.doe@mail.com>\r\n
To: Doe, Jane <john.doe@mail.com>; Doe, John\r\n
CC: Moe, James; Klein, John\r\n
Subject: Title\r\n
text ...\r\n"

Answer 1

使用return self.splitSeconds(self.seconds) # edited based on comments

尝试此操作

teststring

输出

library(stringr)
fullnames <- unique(c(str_extract_all(teststring, "[a-zA-Z]+,\\s[a-zA-Z]+", simplify=TRUE)))
splitnames <- unlist(strsplit(fullnames, ","))
ans <- data.frame(Last=splitnames[c(TRUE,FALSE)], First=splitnames[c(FALSE,TRUE)])

从包含电子邮件的PDF中提取名称

1 个答案: