在R中使用tidyr::separate，如何编写正则拆分数据为指定五列？

针对你的需求，使用tidyr::extract函数（相比separate更适合从结构化字符串中提取指定字段）配合正则表达式，可以直接将Details列拆分为Reference、Pages、Date、Month、Year五列，具体实现如下：

完整代码 #

# 加载所需包
library(tidyr)
library(dplyr)

# 你的原始数据框
df <- structure(list(Details = c("\r\n\t\t\t\t\t\t\t\tReference No: F&A0067\r\n\t\t\t\t\t\t\t\tPages: 5\t\r\n\t\t\t\t\t\t\t\tPublished on: 1, January, 1965\r\n\t\t\t\t\t\t\t", 
"\r\n\t\t\t\t\t\t\t\tReference No: OB0233\r\n\t\t\t\t\t\t\t\tPages: 7\r\n\t\t\t\t\t\t\t\tPublished on: 26, June, 2018\r\n\t\t\t\t\t\t\t", 
"\r\n\t\t\t\t\t\t\t\tReference No: F&A0303\r\n\t\t\t\t\t\t\t\tPages: 1\t\r\n\t\t\t\t\t\t\t\tPublished on: 1, January, 1977\r\n\t\t\t\t\t\t\t", 
"\r\n\t\t\t\t\t\t\t\tReference No: BP0101\r\n\t\t\t\t\t\t\t\tPages: 7\r\n\t\t\t\t\t\t\t\tPublished on: 1, January, 1977\r\n\t\t\t\t\t\t\t", 
"\r\n\t\t\t\t\t\t\t\tReference No: P&IR0229\r\n\t\t\t\t\t\t\t\tPages: 4\r\n\t\t\t\t\t\t\t\tPublished on: 23, June, 2015\r\n\t\t\t\t\t\t\t", 
"\r\n\t\t\t\t\t\t\t\tReference No: BP0299\r\n\t\t\t\t\t\t\t\tPages: 32\r\n\t\t\t\t\t\t\t\tPublished on: 28, October, 2004\r\n\t\t\t\t\t\t\t")), row.names = c(NA, 6L), class = "data.frame")

# 提取字段
df_extracted <- df %>%
  extract(
    col = Details,
    into = c("Reference", "Pages", "Date", "Month", "Year"),
    regex = "^\\s*Reference No:\\s*(\\S+)\\s+Pages:\\s*(\\S+)\\s+Published on:\\s*(\\d+),\\s*(\\w+),\\s*(\\d+)\\s*$",
    remove = TRUE  # 可选，移除原始Details列
  )

# 查看结果
print(df_extracted)

正则表达式说明 #

正则中的每个捕获组对应要提取的字段：

• ^\\s*：匹配开头任意数量的空白字符（包括换行、制表符）
• Reference No:\\s*(\\S+)：匹配"Reference No: "后，捕获非空白字符序列（即Reference编号）
• \\s+Pages:\\s*(\\S+)：匹配任意空白+"Pages:"后，捕获非空白字符序列（即页数）
• \\s+Published on:\\s*(\\d+),\\s*(\\w+),\\s*(\\d+)：匹配任意空白+"Published on: "后，依次捕获日期数字、月份名称、年份数字，同时忽略分隔的逗号与空白
• \\s*$：匹配结尾任意数量的空白字符

结果验证 #

处理后第一行的提取结果为：

• Reference: F&A0067
• Pages: 5
• Date: 1
• Month: January
• Year: 1965
  完全符合你的需求。

内容的提问来源于stack exchange，提问作者Eva