我如何在字符串名称和换行符之间提取文本？

Question

我正在尝试在字符串名称和换行符之间提取文本。数据是从.pdf进行OCR处理的，并包含在R数据帧中。

例如，.csv文件上的输出。

Contract 6001 Total Hours 300, 33,350.00
Contract 6002 Total Hours 500, 500,000.00
Contract 6003 Total Hours 25, 10,050.50

由于\ n，在.csv文件中查找时，数据位于新行中。但是，在R中执行str（）命令时，数据显示在一行上，并且在美元金额之后的末尾有一个'\ n'。

我将如何使用正则表达式，以便为所有行提取Contract和换行符之间的所有内容？

所需的输出：

6001 Total Hours 300, 33,350.00
6002 Total Hours 500, 500,000.00
6003 Total Hours 25, 10,050.50

Answer 1

我们可以使用sub

sub("\\w+\\s", "", str1)
#[1] "6001 Total Hours 300, 33,350.00" 
#[2] "6002 Total Hours 500, 500,000.00"
#[3] "6003 Total Hours 25, 10,050.50"  

数据

 str1 <- c("Contract 6001 Total Hours 300, 33,350.00", "Contract 6002 Total Hours 500, 500,000.00", "Contract 6003 Total Hours 25, 10,050.50")

Answer 2

使用readLines将其分成几行，然后使用sub将其删除"Contract "：

# input data
Line <- "Contract 6001 Total Hours 300, 33,350.00
Contract 6002 Total Hours 500, 500,000.00
Contract 6003 Total Hours 25, 10,050.50"

sub("Contract ", "", readLines(textConnection(Line)))
## [1] "6001 Total Hours 300, 33,350.00"  
## [2] "6002 Total Hours 500, 500,000.00"
## [3] "6003 Total Hours 25, 10,050.50"  

Answer 3

要回答OP提出的确切问题：“如何使用正则表达式，以便提取所有行的Contract和换行符之间的所有内容？”，我想到了此regex。

sub("Contract (.*)", "\\1", str1)

 #  [1] "6001 Total Hours 300, 33,350.00"  "6002 Total Hours 500, 500,000.00" 
 #  [3] "6003 Total Hours 25, 10,050.50" 

Regex Demo

数据：来自@akrun的帖子

 str1 <- c("Contract 6001 Total Hours 300, 33,350.00", 
           "Contract 6002 Total Hours 500, 500,000.00", 
           "Contract 6003 Total Hours 25, 10,050.50")

Answer 4

这里是使用gsub的R基础解决方案>

r <- gsub(".*?(\\d+.*)","\\1",s)
诸如此类

> r
[1] "6001 Total Hours 300, 33,350.00" 
[2] "6002 Total Hours 500, 500,000.00"
[3] "6003 Total Hours 25, 10,050.50" 
DATA

s <- c("Contract 6001 Total Hours 300, 33,350.00", "Contract 6002 Total Hours 500, 500,000.00", 
"Contract 6003 Total Hours 25, 10,050.50")