如何在R/Python中用正则从截断信息生成多列data.frame

原始数据的结构是交替的票据编号行与机构+金额行（存在一组无机构仅含金额的情况），直接逐行提取会导致字段错位，需先分组配对再处理。以下是完整的解决方案：

完整代码 #

library(dplyr)
library(tidyr)
library(stringr)

# 给数据添加分组标识，每2行分为一组
dados_df <- dados_df %>%
  mutate(group_id = ceiling(row_number() / 2))

# 将每组的两行合并为完整文本，方便后续提取
dados_combined <- dados_df %>%
  pivot_wider(names_from = group_id, values_from = V1) %>%
  pivot_longer(cols = everything(), names_to = "group_id", values_to = "combined") %>%
  drop_na(combined) %>%
  group_by(group_id) %>%
  summarise(full_text = str_c(combined, collapse = " ")) %>%
  ungroup()

# 提取字段并处理金额格式
result <- dados_combined %>%
  mutate(
    # 提取票据编号nota
    nota = str_extract(full_text, "^N\\s\\d+NE\\d+\\s\\d+"),
    # 提取机构名称org，去除前后空格；无机构时返回空
    org = str_trim(str_extract(full_text, "(?<=^N\\s\\d+NE\\d+\\s\\d+\\s).*(?=\\s{2,}\\d+[.,]?\\d*,\\d{2}\\sC$)")),
    # 提取金额并转换格式：将欧洲式金额转为标准小数格式
    value_raw = str_extract(full_text, "\\d+[.,]?\\d*,\\d{2}\\sC$"),
    value = ifelse(is.na(value_raw), NA, 
                   str_c(format(as.numeric(str_replace_all(value_raw, c("\\.", "", ",\\sC$" = "")), decimal.mark = ","), 
                                big.mark = "", decimal.mark = ".", nsmall = 2), " C"))
  ) %>%
  select(nota, org, value)

# 输出结果
print(result, width = Inf)

关键步骤说明 #

1. 分组合并：通过ceiling(row_number()/2)生成分组ID，将每两行的票据信息与对应详情合并为完整文本，解决逐行提取的错位问题。
2. nota提取：用正则^N\\s\\d+NE\\d+\\s\\d+精准匹配开头的票据编号，确保只提取有效内容。
3. org提取：利用正向断言定位票据编号与金额之间的文本，用str_trim清理多余空格，无机构的分组会自动返回空值。
4. 金额格式转换：处理欧洲式金额格式（如7.500,00），替换千分位符号、转换小数分隔符，最终格式化为X.XX C的标准形式。

运行结果 #

# A tibble: 7 × 3
  nota                org                                                value     
  <chr>               <chr>                                              <chr>     
1 N 2022NE001264 75   FRETES INTERNACIONAIS LTDA                        7500.00 C 
2 N 2022NE000286 84   UNIRIO UNIVERSIDADE FEDERAL DO ESTADO RJ          2856.71 C 
3 N 2022NE001297 48   ""                                                720.00 C  
4 N 2022NE001333 16   CASTRO COMERCIO LTDA                              5256.00 C 
5 N 2022NE001353 92   CONSTRUCOES E INSTALACOES LTDA                   734.20 C  
6 N 2022NE000279 12   UNIRIO UNIVERSIDADE FEDERAL DO ESTADO RJ          180.00 C  
7 N 2022NE000293 12   EQUIPAMENTOS E PRODUTOS PARA LABORATORIOS L       1716.00 C 

内容的提问来源于stack exchange，提问作者DATAUNIRIO