提取模式之间的多个字符串块

Question

这篇文章询问如何在 R 中的其他两个字符串之间提取字符串：Extracting a string between other two strings in R

我正在寻找类似的答案，但现在涵盖模式之间的多次出现。

示例字符串：

Fabricante:  EMS S/A CNPJ:  - 57.507.378/0001-01  Endereço:  SAO BERNARDO DO CAMPO - SP - BRASIL Etapa de Fabricaçao: Fabricante:  EMS S/A CNPJ:  - 57.507.378/0003-65  Endereço:  HORTOLANDIA - SP - BRASIL Etapa de Fabricaçao: Fabricante:  NOVAMED FABRICAÇAO DE PRODUTOS FARMACEUTICOS LTDA CNPJ:  - 12.424.020/0001-79  Endereço:  MANAUS - AM - BRASIL Etapa de Fabricaçao:

在每次出现“Fabricante”和“CNPJ”这两个词之间，都有一个公司名称，我想将其提取出来。在这个字符串中，有三个这样的公司：“EMS S/A”、“EMS S/A”和“NOVAMED FABRICAÇAO DE PRODUTOS FARMACEUTICOS”。

基于上面的帖子，这段代码

gsub(".*Fabricante: *(.+) CNPJ:.*", "\\1", df$manufacturing_location[92])

返回最后一次出现，“NOVAMED FABRICAÇAO DE PRODUTOS FARMACEUTICOS”。

当我变成

gsub(".*Fabricante: *(.*?) CNPJ:.*", "\\1", df$manufacturing_location[92])

它返回第一个。我尝试更改为

\\2

，因为我认为这会出现很多次，但后来我得到一个空字符串。我也尝试过使用

stringr

的

str_match_all

，但它也没有用。

任何人都知道如何调整语法，以便我可以根据需要编写代码以返回这三个中的每一个？

我想将其放入

mutate

语法中，我可以将其传递到具有许多此类字符串的数据集，并将第一个、第二个和第三个条目作为变量返回。为此，我发现我无法使

str_match_all

工作。

Answer 1

我们可以如下使用

str_match_all

：

x <- "Fabricante:  EMS S/A CNPJ:  - 57.507.378/0001-01  Endereço:  SAO BERNARDO DO CAMPO - SP - BRASIL Etapa de Fabricaçao: Fabricante:  EMS S/A CNPJ:  - 57.507.378/0003-65  Endereço:  HORTOLANDIA - SP - BRASIL Etapa de Fabricaçao: Fabricante:  NOVAMED FABRICAÇAO DE PRODUTOS FARMACEUTICOS LTDA CNPJ:  - 12.424.020/0001-79  Endereço:  MANAUS - AM - BRASIL Etapa de Fabricaçao:"
matches <- str_match_all(x, "(?<=\\bFabricante:  ).*?(?= CNPJ:)")[[1]]
matches

     [,1]                                                    
[1,] "EMS S/A"                                               
[2,] "EMS S/A"                                               
[3,] "NOVAMED FABRICA<U+00C7>AO DE PRODUTOS FARMACEUTICOS LTDA"

这里是对正在使用的正则表达式模式的解释：

• (?<=\\bFabricante:  )

  回顾并断言

  Fabricante:

  先于

• .*?

  然后匹配所有内容，直到到达最近的

• (?= CNPJ:)

  向前看并断言

  CNPJ:

  跟随

Answer 2

您可以

strsplit

在关键字和子集到所需的元素。

el(strsplit(x, '\\s?\\w*:\\s+'))[c(2, 6, 10)]
# [1] "EMS S/A"                                           "EMS S/A"                                          
# [3] "NOVAMED FABRICAÇAO DE PRODUTOS FARMACEUTICOS LTDA"