在R中使用正则表达式提取指定位置的公司名称

核心思路 #

通过正则表达式定位"SUBJECT COMPANY"标识，跳过其后两行，直接捕获第三行的公司名称。需要确保正则能正确识别换行符，并精准匹配目标行。

方法一：使用stringr包（推荐） #

library(stringr)

# 读取目标txt文件为单个带换行的字符串
text_content <- read_file("your_target_file.txt")

# 用正则匹配并提取目标内容
# 正则逻辑：匹配标识行 → 跳过第一行无关内容 → 跳过第二行无关内容 → 捕获第三行
company_match <- str_match(text_content, "SUBJECT COMPANY\\r?\\n.*\\r?\\n.*\\r?\\n(.*)")

# 提取捕获到的公司名称（[,2]对应第一个捕获组）
company_name <- company_match[, 2]

方法二：使用base R #

# 读取文件并合并为带换行的字符串
text_content <- paste(readLines("your_target_file.txt"), collapse = "\n")

# 启用Perl正则模式，用\\K忽略前面的匹配内容，直接提取目标行
company_name <- regmatches(text_content, 
                           regexpr("SUBJECT COMPANY\\n.*\\n.*\\n\\K.*", 
                                   text_content, 
                                   perl = TRUE))[1]

关键说明 #

• \\r?\\n兼容Windows（\r\n）和Unix（\n）格式的换行符，避免因系统差异导致匹配失败。
• 如果标识行后的两行存在空白，.*会自动匹配空白内容，不影响第三行的提取。
• 若文件中存在多个"SUBJECT COMPANY"标识，str_match会返回第一个匹配结果，如需提取所有结果可改用str_match_all。

内容的提问来源于stack exchange，提问作者catin