我正在尝试使用多个pdf_ocr_text表达式过滤从regex创建的字符向量。具体来说，我想选择（1）以数字开头或（2）以两个空格和一个数字开头的元素。我也想在字符串中保留空格。这是一个可复制的示例。
df <- c(" 065074 10/1/91 10/1/96 8 10 5 ",
"060227 10/1/93 10/1/93 9 5 5 ",
" 060178 10/1/95 10/1/98 8 10 5 ", "060294 10/1/91 10/1/98 8 10 5 ",
"060212 10/1/91 10/1/93 8 10 5 ", " 060228 10/1/92 10/1/92 9 5 5 ",
" 060257 10/1/92 10/1/92 9 5 5 ",
"060348 10/1/91 10/1/93 8 10 5 ", " 080379 10/1/91 10/1/96 6 20 5 ",
" 060239 10/1/91 10/1/98 8 10 5 ", " 060012 10/1/92 10/1/92 9 5 5 ",
" 060360 10/1/96 10/1/96 9 5 5 ", " 060035 10/1/95 10/1/95 9 5 5 ",
" 060243 10/1/92 10/1/93 8 10 5 ", " 060262 10/1/92 ; 10/1/94 7 15 5 ",
" = = ", " 40097 2 4 40097 _"
)
我尝试了以下操作，但似乎不起作用。但是，如果我仅使用两个条件之一，则它可以工作。
df[df %>% str_detect(., "^\\s{2}\\d | ^\\d")]. # This fails
df[df %>% str_detect(., "^\\d")]. # With only one condition, it works
[1] "060227 10/1/93 10/1/93 9 5 5 " "060294 10/1/91 10/1/98 8 10 5 "
[3] "060212 10/1/91 10/1/93 8 10 5 " "060348 10/1/91 10/1/93 8 10 5 "
如何使用两个正则表达式作为模式？
使用现有方法，在管道字符周围放置空格：
df[df %>% str_detect("^\\s{2}\\d|^\\d")]
使用grep：
grep('^\\s{2}\\d|^\\d', df, value = TRUE)
# [1] " 065074 10/1/91 10/1/96 8 10 5 "
# [2] "060227 10/1/93 10/1/93 9 5 5 "
# [3] " 060178 10/1/95 10/1/98 8 10 5 "
# [4] "060294 10/1/91 10/1/98 8 10 5 "
# [5] "060212 10/1/91 10/1/93 8 10 5 "
# [6] " 060228 10/1/92 10/1/92 9 5 5 "
# [7] " 060257 10/1/92 10/1/92 9 5 5 "
# [8] "060348 10/1/91 10/1/93 8 10 5 "
# [9] " 080379 10/1/91 10/1/96 6 20 5 "
#[10] " 060239 10/1/91 10/1/98 8 10 5 "
#[11] " 060012 10/1/92 10/1/92 9 5 5 "
#[12] " 060360 10/1/96 10/1/96 9 5 5 "
#[13] " 060243 10/1/92 10/1/93 8 10 5 "
#[14] " 060262 10/1/92 ; 10/1/94 7 15 5 "
或者，如果您喜欢stringr，则可以将str_subset用于相同的模式：
stringr::str_subset(df, '^\\s{2}\\d|^\\d')
您还可以将两个模式与可选的2个字符的空格组合在一起。
grep('^(\\s{2})?\\d', df, value = TRUE)
此处尝试使用grep模式使用^\\s{2}?\\d：
grep('^\\s{2}?\\d', df)
这里是正则表达式模式的说明：
^ from the start of the string
\s{2}? match 2 spaces, zero or one times (read: match two spaces, or no spaces)
\d match a single digit