r - 在特定模式后提取某些单词，同时排除指定模式。在 R

Question

使用 R，我想提取建筑物、广场或豪宅的名称。名称在其是否指定建筑物，豪宅，广场之前。
这是一个例子

addresses<-c("big fake plaza, 12 this street,district, city", 
"Green mansion, district, city", 
 "Block 7 of orange building  district, city",
"98 main street block a blue plaza, city",
 "blue red mansion, 46 pearl street, city")            

我想得到的是

"big fake" "Green" "orange" "blue" "blue red"

我目前使用的代码是

str_extract(addresses, "[[a-z]]*\\s*[[a-z]+]*\\s*(?=(building|mansion|plaza))")

有时名称是两个词，有时是一个。但是，由于格式不同，有时也会提取“a”或“of”。如何继续提取建筑物名称的两个字格式但排除'a'或'of'
提前致谢

Answer 1

一种选择是可选地匹配第一个单词，使用否定前瞻排除一些不被接受的单词。

\b(?:(?!of|a)[a-zA-Z]+\s+)?[a-zA-Z]+\b(?=\s+(?:building|mansion|plaza)\b)

模式匹配:

\b一个字边界

(?:非捕获组

(?!of|a)负前瞻，断言不是 of或 a直接向右

[a-zA-Z]+\s+如果断言为真，则匹配 1+ 次字符 a-zA-Z 后跟 1+ 空白字符

)?关闭组并使其成为可选

[a-zA-Z]+\b匹配 1+ 次字符 a-zA-Z 和单词边界

(?=正向前瞻，断言右边的是

\s+匹配 1+ 个空白字符

(?:building|mansion|plaza)\b匹配其中一个选项

)关闭前瞻

Regex demo

addresses<-c("big fake plaza, 12 this street,district, city", 
"Green mansion, district, city", 
 "Block 7 of orange building  district, city",
"98 main street block a blue plaza, city",
 "blue red mansion, 46 pearl street, city")
 
str_extract(addresses, "\\b(?:(?!of|a)[a-zA-Z]+\\s+)?[a-zA-Z]+\\b(?=\\s+(?:building|mansion|plaza)\\b)")

输出

[1] "big fake" "Green"    "orange"   "blue"     "blue red"

备注 那个 [[a-z]]*应该用单括号 [a-z]*如果你想在字符类中重复范围 a-z，和 [[a-z]+]*应该是 [a-z]+如果要在字符类中重复范围 1+ 次。