作者luenchang (luen)
看板R_Language
标题[问题] 用regex从档名尾拿出数4-7位数字
时间Sun Oct 10 10:09:06 2021
[问题叙述]:
请教先进们，
我有21个档案。我想从档案名称的尾巴拿出数字的部分，位数介於4到7位。
档案是pdf及docx. 我已先把不要的字串去除，直到尾巴部分留下数字，这部分
命名为have.
21个档案中只有第一个档案的目标数字是7位(4614834)，第2到21个档案都是4位。目前我的regex
拿出的数字全是4位数，不知道为何 \\d{4,7} 只从第1个档案拿出4834，而不是4614834
。我把拿出的数字命名为 want
[程式范例]:
请参考以下网页第一个部分 Extract numbers of varying length from the end of strings
https://hackmd.io/@Chang/string-manipulation-in-R
或以下的程式:
拿出档名
file.names <- list.files( path=dir.assignment.2
,pattern=".*\\.pdf$|.*\\.docx$"
,full.names=FALSE) # length(file.names) 21
拿出档名尾数字
file.names.1 <- data.frame(file.name=file.names
,stringsAsFactors = F) %>%
# Remove unwanted strings
dplyr::mutate(have= stringr::str_remove_all( string=file.names
,pattern =
"_Assign2_DMC-1.pdf|-1.docx|-1.pdf|_FINAL.pdf|-2.docx|.docx|.pdf")
,want=gsub(x=have, pattern = "(.*)(\\d{4,7})$", replacement =
"\\2", perl = TRUE)) %>%
#Keep wanted columns
dplyr::select(have, want)
结果
# have want
# 1 agarslawrence_204628_20026409_DMC_Assignment2_4614834 4834
# 2 andrewstimothy_297293_19936198_DMC Assignment 2 0953 0953
# 3 ashtonisabel_294366_19979255_DMC_2021S2_A2_6589 6589
# 4 beaumontjenna_294376_20033339_DMC_Assignment2_8752 8752
# 5 claytonphilipandrew_125548_20002099_DMC_Assignment2_7392 7392
# 6 eddydani_297300_19967943_DMC_Assignment2_4833 4833
# 7 edwardsfelicity_281039_19732901_DMC_Assignment2_4127 4127
# 8 gannonsean_294373_19967863_DMC_Assignment2_6490 6490
# 9 gawjames_295684_19988820_DMC_Assignment2_7389 7389
# 10 godwinsam_294371_20034982_DMC_Assignment2_unikey_6083 6083
# 11 guanqi_LATE_296467_20039218_ DMC_Assignment2_0313 0313
# 12 herbertrob_110692_19622280_DMC_Assignment2_2309 2309
# 13 hopkinsnathan_293664_20025212_DMC_Assignment2_8928 8928
# 14 huangannette_265602_20028154_DMC_Assignment 2_6822 6822
# 15 ilaovince_294377_20026222_DMC_Assignment2_6193 6193
# 16 lammichael_293038_19961008_DMC_assignment2_0718 0718
# 17 lamyanyin_294380_19991757_DMC_Assignment2_6098 6098
# 18 leekenneth_281025_19958430_DMC_Assignment2_8800 8800
# 19 luimatthew_296777_20032458_DMC_Assignment2_0384 0384
# 20 mcphailsandi_283784_20036309_5572 5572
# 21 millerjake_278059_20036475_DMC_Assignment2_8847 8847
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 49.197.45.209 (澳大利亚)
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/R_Language/M.1633831748.A.F2E.html
1F：→ andrew43: ".*" 太贪心。留意到[ _]是分隔的重点，整个pattern可以 10/10 16:42
2F：→ andrew43: 改成 "([^_ ]+)([_ ]+)(\\d+)$"，其实就是按 [_ ] 切开 10/10 16:42
3F：→ andrew43: 或是 "([^\\d]+)(\\d+)$" 或许也容易理解。 10/10 16:50
4F：→ andrew43: 你要抓取的东西pattern会很多种都可用，先找一个好懂的 10/10 16:54
5F：→ andrew43: 对於 ".*" 这种包山包海的集合，细心一点看待它。 10/10 16:56