如何用R从KML属性表的长字符串中提取指定数值？

问题 #

我正在实现从互联网下载并提取KML数据的自动化流程，需要从长字符串属性中提取指定数值（如43.81 in），该数值位于“...Simulated Basin Snow Water Equivalent for Mar 04, 2023”之后。已通过以下R代码筛选出目标流域数据，但无法提取所需数值：

basins <- c('CARSON - CRSN CITY L (STWN2LLF)',
            'CARSON - CRSN CITY L (STWN2LUF)',
            'EF CARSON - GRDNVL L (GRDN2LLF)',
            'EF CARSON - GRDNVL L (GRDN2LUF)',
            'EF CARSON-MRKLEEVLLE (CEMC1HLF)',
            'EF CARSON-MRKLEEVLLE (CEMC1HUF)',
            'WF CARSON - WOODFRDS (WOOC1HOF)')

date <- c('Mar_04_2023')
url_upper <- paste('https://www.cnrfc.noaa.gov/archive/sweBasins/SWEbasinsVal_', date, ".kml", sep = "")
kml_upper <- st_read(url_upper)
kml_upper <- subset(kml_upper, kml_upper$Name %in% basins)
kml_upper$geometry <- NULL
head(kml_upper,3)

解决方案 #

方法1：使用stringr包（语法清晰，推荐） #

利用stringr的str_extract结合正则表达式，精准定位目标数值：

library(stringr)

# 假设长字符串存储在Description列，提取带单位的数值（如43.81 in）
kml_upper$swe_value <- str_extract(kml_upper$Description, 
                                   "(?<=Simulated Basin Snow Water Equivalent for [A-Z][a-z]{2} \\d{1,2}, \\d{4} )\\d+\\.\\d+ in")

# 若只需纯数值，去掉单位并转为数字类型
kml_upper$swe_numeric <- as.numeric(str_extract(kml_upper$Description, 
                                                "(?<=Simulated Basin Snow Water Equivalent for [A-Z][a-z]{2} \\d{1,2}, \\d{4} )\\d+\\.\\d+"))

正则说明：

• (?<=...) 正向断言，确保提取内容在指定文本之后
• [A-Z][a-z]{2} \\d{1,2}, \\d{4} 匹配日期格式（如Mar 04, 2023）
• \\d+\\.\\d+ in 匹配带小数点的数值加单位

方法2：使用base R原生函数 #

无需额外安装包，用regmatches和regexpr实现：

# 提取带单位的数值
pattern <- "(?<=Simulated Basin Snow Water Equivalent for [A-Z][a-z]{2} \\d{1,2}, \\d{4} )\\d+\\.\\d+ in"
kml_upper$swe_value <- regmatches(kml_upper$Description, regexpr(pattern, kml_upper$Description, perl=TRUE))

# 提取纯数值并转为数字
pattern_numeric <- "(?<=Simulated Basin Snow Water Equivalent for [A-Z][a-z]{2} \\d{1,2}, \\d{4} )\\d+\\.\\d+"
kml_upper$swe_numeric <- as.numeric(regmatches(kml_upper$Description, regexpr(pattern_numeric, kml_upper$Description, perl=TRUE)))

注意事项 #

• 如果长字符串不在Description列，替换成实际列名
• 若日期格式有变动（如月份全称、数字格式），需调整正则中的日期匹配部分
• 可先执行head(kml_upper$Description)查看字符串结构，再微调正则

内容的提问来源于stack exchange，提问作者Koda