在R中使用str_extract_all从PDF提取日期时间字段失败求助

你的正则匹配失败有两个核心原因：

1. "Est Date"和目标日期时间分属两行，原正则用+仅匹配空格，无法识别换行符；
2. 原正则未包含时间部分的匹配规则，即使匹配到日期也拿不到完整的日期时间值。

修正方案 #

根据PDF文本的结构，用以下两种方式调整正则表达式：

方式1：匹配包含"Est Date"的完整片段

library(stringr)
# 模拟PDF提取的文本
pdf_text <- "Est Date
14-Apr-1988 11:59:49"

# 修正后的正则：用\\s+匹配任意空白（含换行），同时覆盖时间部分
Est_date <- str_extract_all(pdf_text, "Est Date\\s+\\d{2}-[A-Za-z]{3}-\\d{4}\\s+\\d{2}:\\d{2}:\\d{2}")

输出结果会包含"Est Date\n14-Apr-1988 11:59:49"。

方式2：仅提取日期时间部分（不含"Est Date"）

用正向先行断言排除"Est Date"，只保留目标值：

Est_date_only <- str_extract_all(pdf_text, "(?<=Est Date\\s+)\\d{2}-[A-Za-z]{3}-\\d{4}\\s+\\d{2}:\\d{2}:\\d{2}")

输出结果为[[1]] [1] "14-Apr-1988 11:59:49"，完全符合你的预期。

正则规则说明 #

• \\s+：匹配1个或多个任意空白字符（包括换行、空格、制表符），解决跨换行的匹配问题；
• (?<=Est Date\\s+)：正向先行断言，确保目标内容前存在"Est Date"加空白，但不将其纳入结果；
• \\d{2}-[A-Za-z]{3}-\\d{4}：匹配日-英文月缩写-年的格式；
• \\s+\\d{2}:\\d{2}:\\d{2}：匹配空格分隔的时:分:秒时间格式。

内容的提问来源于stack exchange，提问作者Ram Subramanian