R 行不完全相等的正则表达式模式问题

我在从pdf下载和提取表格时遇到问题。目前，我正处于提取“contents”表的阶段，我将使用该表作为文档其余部分的索引。我的问题是表中有三列格式为一个字符串，有些列在第一列和第二列之间有一个空格，有些列有两个或更多。我应该使用哪个正则表达式模式

例如：

a <- "15 Aguascalientes - Ent. Cd. de Los Niños                             AGS"
b <- "3   Aguascalientes - Zacatecas                                       MEX-045"
str_split_fixed(a, "\\s{2,}", n = 3)
str_split_fixed(b, "\\s{2,}", n = 3)

---

a您可以使用
stringr:：str_match
捕获您需要的每个零件：

库（stringr）
x[1，]“15”Aguascalientes-Ent.Cd.de Los Niños“AGS”
#=>[2，]3“Aguascalientes-Zacatecas”MEX-045

请参阅和。正则表达式详细信息：


^
-字符串开始
（\d+）
-第1组：一个或多个数字
\s+
-一个或多个空格
（.*）
-第2组：除换行符以外的任何零个或多个字符，尽可能少
\s+
-一个或多个空格
（\S+）
-组3：一个或多个非空白字符
$
-字符串结束
使用
str_split
我们可以指定一个OR（
）条件，以在一个数字后的一个或多个空格（
\\s+
）进行拆分，除了OP的正则表达式在多个空格字符处进行拆分外

library(stringr)
str_split(c(a, b), '(?<=\\d)\\s+|\\s{2,}')


假设OP需要一个三列data.frame，我们可以用公共分隔符
，
替换这些空格，并在
base R
中用
read.csv
读取这些空格（确保列类型正确）

read.csv（text=gsub（（？
str\u split\u fixed
替换文本，而不是正则表达式。谢谢，这很有效。
#[[1]]
[1] "15"                                     "Aguascalientes - Ent. Cd. de Los Niños" "AGS"                                   

#[[2]]
[1] "3"                          "Aguascalientes - Zacatecas" "MEX-045"    

read.csv(text = gsub("(?<=\\d)\\s+|\\s{2,}", ",", c(a, b), 
       perl = TRUE), header = FALSE)
#  V1                                     V2      V3
#1 15 Aguascalientes - Ent. Cd. de Los Niños     AGS
#2  3             Aguascalientes - Zacatecas MEX-045