如何使用tidyverse从URL编码文件名中提取月份年份格式的日期

核心思路：你的文件名日期格式非常固定，均为【英文月份全称+空格+4位年份】的组合，直接通过正则匹配即可一步提取，不需要提前构造月份向量做多步处理。

完整实现代码 #

1. 加载依赖包 #

library(tidyverse)

2. 构造示例测试数据 #

file_names <- c(
  "NHS%20Workforce%20Statistics%2C%20April%202018%20Organisation%20-%20Excel%20tables.xlsx",
  "NHS%20Workforce%20Statistics%2C%20September%202018%20Organisation.xlsx"
)

3. 提取日期（两种可选方案） #

方案1：先解码URL编码再提取（通用性更强，后续处理其他内容也方便）

result <- file_names %>%
  # 解码URL编码的特殊字符（把%20转为空格、%2C转为逗号，R默认加载的utils包自带该函数）
  map_chr(URLdecode) %>%
  # 直接匹配「英文月份+空格+4位年份」的组合
  str_extract("(January|February|March|April|May|June|July|August|September|October|November|December)\\s+\\d{4}")

运行后result的输出即为："April 2018" "September 2018"，完全符合要求。

方案2：不解码直接匹配（步骤更少，仅针对当前场景）

result <- file_names %>%
  # 直接匹配编码后的日期格式，最后把%20替换为空格
  str_extract("(January|February|March|April|May|June|July|August|September|October|November|December)(%20)+\\d{4}") %>%
  str_replace("%20", " ")

规则说明 #

正则里的月份列表已经覆盖了所有英文月份全称，年份部分用\\d{4}匹配任意4位数字，不限制为2018，后续年份更新也可以正常识别。

内容的提问来源于stack exchange，提问作者Sagar Jhamb