使用R从文本提取日期：拆分数据框中的日期与字数字段

你的问题出在原正则表达式的日期匹配规则上——原代码里的\\d{2}强制要求日期的“日”是两位数字，但你的数据里存在单数字的日（比如2 June 2004），所以正则无法匹配到目标内容。下面是针对你的数据结构的解决方案：

方法1：使用stringr包（更简洁直观） #

stringr包的str_extract函数专门用于提取匹配正则的内容，非常适合这个场景：

首先安装并加载包（如果还没安装的话）：

install.packages("stringr")
library(stringr)

然后处理你的数据框，提取日期和字数：

# 定义你的数据框
df <- setNames(data.frame(c("2 June 2004, 5 words, ()(","profit, Insight, 2 May 2004, 188 words, reports, by ()("), stringsAsFactors = F), "split")

# 提取日期：匹配1-2位数字 + 月份缩写 + 4位数字
df$date <- str_extract(df$split, "\\d{1,2} \\w{3} \\d{4}")

# 提取字数：匹配数字 + " words"，只保留数字部分
df$word_count <- as.integer(str_extract(df$split, "\\d+(?= words)"))

# 查看结果
df

运行后你会得到包含原列、日期列和数字列的数据框，结果如下：

split        date word_count
1                      2 June 2004, 5 words, ()( 2 June 2004          5
2 profit, Insight, 2 May 2004, 188 words, reports, by ()(  2 May 2004        188

方法2：使用Base R的gsub（不依赖额外包） #

如果你不想加载额外包，也可以用base R的gsub调整正则来实现：

# 提取日期
df$date <- gsub(".*?(\\d{1,2} \\w{3} \\d{4}).*", "\\1", df$split)

# 提取字数
df$word_count <- as.integer(gsub(".*?(\\d+) words.*", "\\1", df$split))

这里的关键修改是把\\d{2}改成\\d{1,2}，允许匹配1位或2位的日；同时在开头加了?让正则非贪婪匹配，避免匹配到多余内容。

内容的提问来源于stack exchange，提问作者Janjua