Regex 通过解析R中的字符向量来构建数据帧

我是R的新手，正在努力从博物馆的藏品中构建数据集

在抓取他们的网站后，我有一个字符向量列表，比如说名称是特征，其中每个元素如下所示：

[[4729]]
[1] " Date://2002 Medium://Pencil on paper Dimensions://22 1/2 x 30 1/8\" (57.2 x 76.5 cm) Credit Line://The Judith Rothschild Foundation Contemporary Drawings Collection Gift MoMA Number://1563.2005 Copyright://© 2015 Steve DiBenedetto"

     year    medium           dimensions    credit line    number
1   2002     Pencil on paper   etc...

根据这些向量，我想制作一个如下所示的数据帧：

[[4729]]
[1] " Date://2002 Medium://Pencil on paper Dimensions://22 1/2 x 30 1/8\" (57.2 x 76.5 cm) Credit Line://The Judith Rothschild Foundation Contemporary Drawings Collection Gift MoMA Number://1563.2005 Copyright://© 2015 Steve DiBenedetto"

     year    medium           dimensions    credit line    number
1   2002     Pencil on paper   etc...

然而，我似乎无法设法从字符向量中减去必要的数据，因为我正在努力使用正则表达式来做到这一点。我们的想法是在Date://之后和Medium://之前获取数据。更复杂的是，并非列表中的每个元素都具有相同顺序的相同特征，例如，一些元素只有日期和介质，而其他元素包括版本：//、通过：//获取等

只需保存每个列表元素的前4位数字，就可以很容易地编制年份列表：

year <- list()

for(p in 1:length(characteristics)) {
  string <- as.character(characteristics[p])
  year <- c(year, str_extract(string, "\\d\\d\\d\\d"))
  }

这可能不是最快的方法，但它做得很好。 但是，我完全无法从列表中提取其他变量。

也许旧的read.table也是一个选项：

txt <- c("Date://2002 Medium://Pencil on paper Dimensions://22 1/2 x 30 1/8\" (57.2 x 76.5 cm) Credit Line://The Judith Rothschild Foundation Contemporary Drawings Collection Gift MoMA Number://1563.2005 Copyright://© 2015 Steve DiBenedetto",
         "Date://2002 Medium://Pencil on paper Dimensions://22 1/2 x 30 1/8\" (57.2 x 76.5 cm) Credit Line://The Judith Rothschild Foundation Contemporary Drawings Collection Gift MoMA Number://1563.2005 Copyright://© 2015 Steve DiBenedetto")
read.table(text = gsub("( Credit)?\\s?[A-z]+://", "\t", txt), sep = "\t", quote = "", col.names = letters[1:7])[-1]
#      b               c                                 d                                                                           e      f                        g
# 1 2002 Pencil on paper 22 1/2 x 30 1/8" (57.2 x 76.5 cm) The Judith Rothschild Foundation Contemporary Drawings Collection Gift MoMA 1563.2 © 2015 Steve DiBenedetto
# 2 2002 Pencil on paper 22 1/2 x 30 1/8" (57.2 x 76.5 cm) The Judith Rothschild Foundation Contemporary Drawings Collection Gift MoMA 1563.2 © 2015 Steve DiBenedetto

---

是否允许使用awk或其他方法进行预处理？您可以提取字符串，然后使用gsub删除第一个匹配部分。。每个步骤都匹配此正则表达式：[a-zA-Z]*：\/\/\[^\/]*\[a-zA-Z]*\/\/。请注意，此正则表达式使用sed语法。有一个组捕获，其中包含您想要的信息，请使用\1或\\1我相信R访问它。您知道特征范围的可用选项吗？这正接近@lukeA！但是，一些问题仍然存在：我们丢失了有关正在保存的特征的信息，例如介质。不同的艺术品有不同的特征，所以我应该能够将特征保存在正确的列名下。因此，我们存储的信息应该存储在一个名为的列中，该列的字符串位于：//例如medium之前。我没有像这里提到的@Anando Mahto那样列出一系列特征。每当我们在：//前面遇到一个新标记时，都应该使用该名称创建一个新列。