1

Ao extrair dados de um pdf no R, extraindo textos linha a linha, tenho a seguinte situação. Uma string de interesse que vem com três informações separadas por espaços longos, como exemplificado a seguir

a <- "WDFG V/AA 8952                              123546514            sdfasfasfa"

preciso extrair apenas "WDFG V/AA 8952"

Como são muitos pdfs, precisaria de um método para inserir em um looping e dar escala ao processo.

1 Resposta 1

4

Creio que esta expressão regular resolve o problema.

Os dados são estes:

a <- c("João Fernando Freitas                             123546514            sdfasfasfa",
       "WDFG V/AA 8952                              123546514            sdfasfasfa")

E a expressão regular.

b <- sub("(^[[:alnum:]]*| ) {2,}([[:alnum:]]| )*$", "\\1", a)
b <- trimws(b)
b
#[1] "João Fernando Freitas" "WDFG V/AA 8952" 

Se pretende inserir num loop, talvez seja melhor por o código acima numa função.

extraiNome <- function(x){
  b <- sub("(^[[:alnum:]]*| ) {2,}([[:alnum:]]| )*$", "\\1", x)
  trimws(b)
}

extraiNome(a)
#[1] "João Fernando Freitas" "WDFG V/AA 8952" 
3
  • obrigado, resolveu o problema 11/06/2019 às 23:30
  • Rui, por favor, poderia me ajudar com uma adaptação do código para extrair o primeiro termo da string da pergunta como eu editei agora , grato preciso extrair apenas "WDFG V/AA 8952" 12/06/2019 às 12:20
  • 1
    @HenriqueFariadeOliveira Acabei de testar e a função na resposta faz isso, também com a nova string. 12/06/2019 às 14:04

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .