如何在R中的两个字符之间提取文本

Question

对于所有出现的模式，我想在两个字符串之间提取文本。例如，我有以下字符串：

x<- "\nTYPE:    School\nCITY:   ATLANTA\n\n\nCITY:   LAS VEGAS\n\n" 

我想这样提取单词ATLANTA和LAS VEGAS：

[1] "ATLANTA"   "LAS VEGAS"

我尝试使用gsub(".*CITY:\\s|\n","",x)。产生的输出是：

[1] "  LAS VEGAS"

我想输出两个城市（数据中的某些模式包括两个以上的城市），并在没有前导空格的情况下输出它们。
我也尝试了qdapRegex软件包，但无法关闭。我对正则表达式不太满意，因此将不胜感激。

Answer 1

您可以使用

> unlist(regmatches(x, gregexpr("CITY:\\s*\\K.*", x, perl=TRUE)))
[1] "ATLANTA"   "LAS VEGAS"

在这里，CITY:\s*\K.*个正则表达式匹配

• CITY:-文字子字符串CITY:
• \s*-超过0个空格
• \K-match reset operator丢弃到目前为止已匹配的文本（将当前匹配的内存缓冲区清零）
• .*-尽可能多的除换行符以外的0+个字符。

请参见regex demo online。

请注意，由于它是PCRE正则表达式，所以perl=TRUE是必不可少的。

Answer 2

另一个选择：

library(stringr)
str_extract_all(x, "(?<=CITY:\\s{3}).+(?=\\n)")
[[1]]
[1] "ATLANTA"   "LAS VEGAS"

读取为：提取任何以“ City：”（和三个空格）开头，后跟“ \ n”的内容

Answer 3

一个选项可以是：

regmatches(x,gregexpr("(?<=CITY:).*(?=\n\n)",x,perl = TRUE))

# [[1]]
# [1] "   ATLANTA"   "   LAS VEGAS"