R

Question

我尝试使用str_extract在文本文档中查找日期。但是，我遇到了一个难题。一般来说，我希望日期有两种形式：1）June 15th, 1914 2）June 15, 1914。但是当我尝试构建一个模式来捕获这两个选项时，我得到一个NA结果。

例如，如果我尝试str_extract("No. 1. June 20th, 1914.", "[:alpha:]{3,8} [0-9]{1,2}[[a-z]{2}]?, [0-9]{4}")，我会NA。但如果我删除[a-z]{2}周围的括号，它就可以了。但是，如果删除括号，我当然会为字符串NA获得"No. 1. June 20, 1914."。但是，如果我留下括号，这确实有效。

我当然可以通过使用简单的if/else if声明解决这个问题，但我很好奇为什么这不起作用，如果有更好的方法来处理这些案例。

Answer 1

如果您尝试提取日期，为什么不使用lubridate包？

> lubridate::mdy("No. 1. June 20th, 1914.")
[1] "1914-01-20 UTC"

（其中mdy告诉luridate日期数据以月 - 日 - 年顺序出现。）

Answer 2

由于以下原因，它无法正常工作：

1. 您的POSIX字符类未正确包装在括号内的表达式中。
2. 您正在尝试将字符类用作可选的组构造。

你的正则表达式修复如下：

x <- 'No. 1. June 20th, 1914.'
str_extract(x, '[[:alpha:]]{3,8} [0-9]{1,2}([a-z]{2})?, [0-9]{4}')
## [1] "June 20th, 1914"

您可以修改正则表达式：

str_extract(x, '[a-zA-Z]+ \\d{1,2}([a-z]{2})?, \\d{4}')

Answer 3

>str_extract("No. 1. June 20, 1914.", "[[:alpha:]]{3,8} [[:digit:]]{1,2}.+?, [[:digit:]]{4}")
[1] "June 20, 1914"

> str_extract("No. 1. June 20th, 1914.", "[[:alpha:]]{3,8} [[:digit:]]{1,2}.+?, [[:digit:]]{4}")
[1] "June 20th, 1914"

作为。匹配任何字符，函数返回'，'之前任何字符的最大可能序列，然后我们使用量词+和？对于条件