如何在R语言中从招聘广告文本提取所需工作经验年限？

问题分析 #

你遇到的全NA结果，大概率是因为原有正则表达式匹配范围太窄，没覆盖到招聘描述中“工作经验”的多种表述（比如3年以上、5+年、1-3年、至少4年等）。

解决方案 #

以下是基于stringr和dplyr的通用提取方案，能覆盖多数常见经验表述，并生成数值型的yrs_experience列：

1. 示例数据构造

先模拟你的招聘数据结构：

# 示例招聘数据框
job_df <- data.frame(
  job_description = c(
    "要求3年以上Java开发经验，熟悉Spring框架",
    "需要5+年大数据相关工作经验，会Hadoop优先",
    "应届生亦可，或有1-2年前端开发经验",
    "至少4年项目管理经验，PMP证书优先",
    "无经验要求，欢迎应届毕业生"
  ),
  stringsAsFactors = FALSE
)

2. 提取并处理经验年限

library(stringr)
library(dplyr)

job_df <- job_df %>%
  mutate(
    # 匹配包含数字、-/+符号的经验片段
    experience_raw = str_extract(job_description, "\\d+\\s*[-+]?\\s*\\d*"),
    # 提取片段中的所有数字
    experience_nums = str_extract_all(experience_raw, "\\d+"),
    # 转换为数值：范围取平均值，单个数字直接转，无匹配则为NA
    yrs_experience = case_when(
      lengths(experience_nums) == 2 ~ (as.numeric(experience_nums[[1]][1]) + as.numeric(experience_nums[[1]][2]))/2,
      lengths(experience_nums) == 1 ~ as.numeric(experience_nums[[1]][1]),
      TRUE ~ NA_real_
    )
  )

3. 自定义调整

如果不需要范围平均值，可按需修改：

• 取范围最小值：lengths(experience_nums) == 2 ~ as.numeric(experience_nums[[1]][1])
• 取范围最大值：lengths(experience_nums) == 2 ~ as.numeric(experience_nums[[1]][2])

4. 输出结果

运行后得到的job_df会包含正确的数值型经验列：

job_description experience_raw experience_nums yrs_experience
1 要求3年以上Java开发经验，熟悉Spring框架              3               3            3.0
2 需要5+年大数据相关工作经验，会Hadoop优先             5+               5            5.0
3 应届生亦可，或有1-2年前端开发经验             1-2            1, 2            1.5
4 至少4年项目管理经验，PMP证书优先              4               4            4.0
5        无经验要求，欢迎应届毕业生            <NA>             <NA>             NA

关键说明 #

• 正则表达式\\d+\\s*[-+]?\\s*\\d*能匹配3、5+、1-2等多种数字组合；
• str_extract_all用于提取片段中的所有数字，处理范围类经验表述；
• case_when实现多场景的数值转换逻辑，保证结果为数值型。

内容的提问来源于stack exchange，提问作者nesta1990