如何用R从文本中提取指定信息并解决重复匹配问题

需求拆解 #

• 从每条文本中提取首次出现的原告（plaintiff）、被告（defendant）身份语句，要求语句包含出生日期（born）和住址（lives）信息，排除无关表述
• 检测文本是否包含《marriage law》，存在标记为T，不存在标记为F
• 输出结构化结果表

实现代码（Python） #

用正则表达式精准匹配目标内容，结合pandas批量处理生成结果表：

import re
import pandas as pd

def process_legal_text(text):
    # 提取原告首次有效身份信息
    plaintiff_pattern = r"The plaintiff.*?born.*?lives.*?\."
    plaintiff_match = re.search(plaintiff_pattern, text, re.DOTALL)
    plaintiff_info = plaintiff_match.group().strip() if plaintiff_match else None

    # 提取被告首次有效身份信息
    defendant_pattern = r"The defendant.*?born.*?lives.*?\."
    defendant_match = re.search(defendant_pattern, text, re.DOTALL)
    defendant_info = defendant_match.group().strip() if defendant_match else None

    # 检测《marriage law》
    has_marriage_law = "T" if "《marriage law》" in text else "F"

    return {
        "plaintiff_info": plaintiff_info,
        "defendant_info": defendant_info,
        "has_marriage_law": has_marriage_law
    }

# 示例文本测试
sample_text = """Ganluo County People's Court of X Province。The plaintiff X, female, born on May, 1980, lives in X County, X Province。The defendant X, male, born on May, 1971, lives in X County, X Province。
It is a divorce dispute, according to 《marriage law》on June 21, 2016。"""

# 批量处理（假设3000条文本存在text_list列表中）
# text_list = [text1, text2, ..., text3000]
# results = [process_legal_text(text) for text in text_list]

# 生成结果表
result_df = pd.DataFrame([process_legal_text(sample_text)])
print(result_df)

代码说明 #

1. 正则匹配逻辑：
   • 用.*?非贪婪匹配确保只捕获从"The plaintiff/defendant"到第一个包含born和lives的句子结尾（.）
   • re.DOTALL参数允许.匹配换行符，避免跨段落的文本被截断
2. 批量处理：将所有文本存入列表后，通过列表推导式批量调用处理函数
3. 结果输出：用pandas将结果转为DataFrame，方便导出为Excel/CSV格式

测试结果（示例文本） #

内容的提问来源于stack exchange，提问作者Xinyan LIU