R语言如何提取字符串中最后两个日期之间的文本内容

依赖包 #

我们使用stringr做正则匹配，dplyr做数据框处理，可直接加载tidyverse套件，也可单独安装加载对应包：

# 安装命令（执行一次即可）
install.packages(c("stringr", "dplyr"))
# 加载包
library(stringr)
library(dplyr)

实现逻辑 #

1. 先定义日期匹配规则：匹配YYYY-MM-DD格式的日期
2. 逐行读取文本，提取所有符合规则的日期，统计日期数量
3. 按规则返回目标文本：
   • 只有1个日期时，返回该日期前的全部文本，去除首尾空白
   • 有2个及以上日期时，匹配倒数第二个和倒数第一个日期中间的内容，去除开头多余的标点、空白后返回

完整代码 #

# 示例数据
df <- data.frame (f1  = c("Today is test 2021-09-15", 
                           "This is to be done today. 2020-04-05.Today is going tobe  2021-09-15",
                           "Great Novel. 2018-08-09.This is to be done today. 2020-04-05.The lion is an animal 2021-09-15", 
                           "This is to be done today. 2020-04-05.Today is test 2021-09-01.Monday is the first day 2021-08-02"
                           )
)
# 定义日期匹配正则
date_pattern <- "\\d{4}-\\d{2}-\\d{2}"

# 处理数据
df_result <- df %>%
  rowwise() %>% # 逐行处理
  mutate(
    date_list = list(str_extract_all(f1, date_pattern, simplify = TRUE)),
    date_num = length(date_list),
    target_text = case_when(
      date_num == 1 ~ str_remove(f1, date_pattern) %>% str_trim(),
      date_num >= 2 ~ {
        last_two_date <- tail(date_list, 2)
        # 匹配两个日期中间的内容
        match_res <- str_match(f1, paste0(last_two_date[1], "([\\s\\S]*?)", last_two_date[2]))[,2]
        # 清理开头多余的标点和空白，再去除首尾空白
        str_remove(match_res, "^[. ]+") %>% str_trim()
      }
    )
  ) %>%
  ungroup() %>%
  select(f1, target_text)

# 查看输出结果
print(df_result$target_text)

输出效果 #

运行后得到的target_text列结果如下，完全符合预期：

[1] "Today is test"               "Today is going tobe"        
[3] "The lion is an animal"       "Monday is the first day"

注：第二个结果中的tobe为原文本输入拼写问题，若需统一修正为to be，可在清理步骤中添加str_replace("tobe", "to be")即可。

内容的提问来源于stack exchange，提问作者R Ban