r - 如何找到只知道 r 中第一个的两个单词模式

Question

我有一个数据集，其中包含从网络上抓取的新闻文章。

对于每篇文章，我都想编写一个代码来区分来源，这样我就可以将它添加到单独列中的数据框中。

问题是我无法编写有效的命令行，我曾尝试使用 grep，但我认为我没有编写正确的正则表达式。

示例:

title   content

Art 1   This is article one. Source: The Guardian.  
Art 2   This is    article two. Source: New York Times.   
Art 3   This is article three.    Source: The Washington Post.

预期结果:

title  source  
Art 1  The Guardian  
Art 2  New York Times   
Art 3  Washington Post

这是我尝试过的(模式总是由单词 Source 后跟 : 后跟一到三个单词组成，并以句号结尾):

source <- grep("(Source:)([:alpha:]{*})(.\)", df, perl = TRUE)

这是我收到的错误信息:

Error in grep("(Source:)([:alpha:]{*})(.))", df, perl = TRUE) : 
  invalid regular expression '(Source:)([:alpha:]{*})(.))'
In addition: Warning message:
In grep("(Source:)([:alpha:]{*})(.))", df, perl = TRUE) :
  PCRE pattern compilation error
    'POSIX named classes are supported only within a class'
    at '[:alpha:]{*})(.))'

我对正则表达式的经验有限，而且我无法在任何地方找到如何实现我的想法。

Answer 1

使用 str_extract 和正后视(“如果你在左边看到......”):

content <- "This is article one. Source: The Guardian."

library(stringr)
source <- str_extract(content, "(?<=Source: )[^.]*")
[1] "The Guardian"

或者，使用 sub 和反向引用:

source <- sub(".*Source: (.*)\\.$", "\\1", content)
[1] "The Guardian"