stata 正则表达式 提取汉字

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

例1 ：从爬取的源代码数据中提取信息：从网站爬取的数据含有一些源代码如"<td class="ccl"><div>董事</div>"中提取"董事"，首先要对目标进行描述（在这个例子里以下方式均可，但其他例子中不一定，需要根据具体情况自己判断总结）：
（1）目标字符串在<div>和</div>之间。
（2）目标字符串不在<>之间。
（3）目标字符串为汉字。

代码分别如下：
clear
*输入字符串
input str50 v
`"<td class="ccl"><div>董事</div>"'
end
*使用描述（1）提取"董事"，生成新变量
gen 董事=ustrregexs(1) if ustrregexm(v,"<div>(.*?)</div>") *使用描述（1）提取"董事"，替换原有变量
replace v =ustrregexs(1) if ustrregexm(v,"<div>(.*?)</div>")
list


ustrregexs(n) 表示按照ustrregexm(正则表达式)找到的第1个字符串，如果同一字符串有多个变量需要提取，参考这个帖子的例子： 从“广东省深圳市” 提取出“广东省”和“深圳市”
https://bbs.pinggu.org/forum.php?mod=redirect&goto=findpost&ptid=6272311&pid=77773881

如果想把提取出的多个字符串仍作为一个变量，这种方式不能一步到位，还需要对字符串进行相加。正向提取不方便，也可以反向相减，把不需要的信息删去即可，正如后两种描述方式。

clear
*输入字符串
input str50 v
`"<td class="ccl"><div>董事</div>"'
end
*使用描述（2）提取"董事"，生成新变量
gen 董事=ustrregexra(v,"<(.*?)>","")
*使用描述（2）提取"董事"，替换原有变量
replace v = ustrregexra(v,"<(.*?)>","")
list

这种方式是将尖括号以及其中的内容删去。但如果字符串中有的部分只有半个尖括号，比如“<td class="ccl"><div>董事</d”，那么这种描述方式也不合适。后面“</d”没法被正确删除。所以要非常小心地观察数据，避免误伤和漏删。

clear
*输入字符串
input str50 v
`"<td class="ccl"><div>董事</div>"'
end
*使用描述（3）提取董事，生成新变量
gen 董事=ustrregexra(v,"([^\u4e00-\u9fa5])","")
*使用描述（3）提取董事，替换原有变量
replace v =ustrregexra(v,"([^\u4e00-\u9fa5])","")
list

[\u4e00-\u9fa5]表示汉字的Unicode编码，[^\u4e00-\u9fa5]表示非汉字的内容，即将非汉字的内容删除。但如果字符串中有一些不需要保留的汉字，或者有需要保留的非汉字，也不能这样草率地删除。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏3 回帖

关键词：Stata 正则表达式 tata 表达式 pinggu

相关内容：stata正则表达式提取

传了很多次，编辑栏的代码功能没成功转格式，还是用普通文字表述了。需要的话自己复制。
例子参考《stata正则表达式及其在财务数据中的应用》，代码是自己尝试写的，还在学习中。此外还有连玉君老师团队主页可以参考学习。之前尝试在主题帖附链接，没有通过审核。大家自行检索。