Как извлечь год рождения и смерти из строки в R?

Вот довольно грубый способ извлечения дат рождения и, если существует, смерти.
Создайте регулярное выражение для каждого из возможных форматов даты, вставьте их вместе с "|" в качестве разделителя и извлеките эти строки. Затем свяжите все в data.frame.

library(wikifacts)
#> Warning: package 'wikifacts' was built under R version 4.4.1
library(tidyverse)

politicians <- data.frame(
  Name = c("Barack Obama", "Angela Merkel", "Nelson Mandela", "Margaret Thatcher", "Mahatma Gandhi"),
  stringsAsFactors = FALSE
)

politicians <- politicians %>% 
  mutate(First_Paragraph = substr(wiki_define(Name), 1, 200)) 

# regex for dates "day month.name year"
pat1 <- sprintf("\\d+ %s \\d+", month.name) |> paste(collapse = "|")
# regex for dates "month.name day, year"
pat2 <- sprintf("%s \\d+, \\d+", month.name) |> paste(collapse = "|")
# combine the two patterns above
pat <- paste(pat1, pat2, collapse = "|")
dat <- str_extract_all(politicians$First_Paragraph, pat)
# do we have two dates?
Max <- dat |> lengths() |> max()
lapply(dat, \(x) if (length(x) == Max) x else c(x, NA_character_)) |>
  do.call(rbind.data.frame, args = _) |> 
  setNames(c("Birth", "Death"))
#>             Birth           Death
#> 1  August 4, 1961            <NA>
#> 2    17 July 1954            <NA>
#> 3    18 July 1918            <NA>
#> 4 13 October 1925    8 April 2013
#> 5  2 October 1869 30 January 1948

^{Created on 2024-06-25 with reprex v2.1.0}

Самый простой способ сделать это вместо использования wikifacts — просто использовать rvest для получения каждой страницы Википедии и поиска <span> по классу bday. Он содержит дату в формате ГГГГ-ММ-ДД, поэтому ее легко преобразовать в объект даты:

library(tidyverse)
library(rvest)

politicians %>%
  rowwise() %>%
  mutate(doc = list("https://en.wikipedia.org/wiki/" %>% 
      paste0(Name %>% stringr::str_replace_all(' ', '_')) %>%
      read_html())) %>%
  ungroup() %>%
  mutate(DOB = map(doc, ~ .x %>%
                html_element('.bday') %>%
                html_text()) %>% unlist() %>% as.Date(),
         DOD = map(doc, function(x) {
               vals <- x %>%
                html_elements(xpath = paste0("//td[@class='infobox-data']/",
                                             "span[@style='display:none']")) %>%
                html_text()
               if (length(vals) == 2) substr(vals[2], 2, 11) else NA_character_
              }) %>% unlist() %>% as.Date()) %>%
  select(-doc)

#> # A tibble: 5 x 3
#>   Name              DOB        DOD       
#>   <chr>             <date>     <date>    
#> 1 Barack Obama      1961-08-04 NA        
#> 2 Angela Merkel     1954-07-17 NA        
#> 3 Nelson Mandela    1918-07-18 2013-12-05
#> 4 Margaret Thatcher 1925-10-13 2013-04-08
#> 5 Mahatma Gandhi    1869-10-02 1948-01-30

Вот функция, которую можно использовать для получения нужной информации:

library(xml2)
    
dates <- function(name){
  url <- paste0("https://en.wikipedia.org/w/index.php?search = ", URLencode(name))
  html <- read_html(url)
  bdate <- xml_text(xml_find_first(html, "//span[@class='bday']"))
  name2 <- sub(" - Wikipedia", "", xml_text(xml_find_first(html, "//head/title")))
  response <- read_xml(paste0("https://en.wikipedia.org/w/api.php?action=query&prop=extracts&exsentences = ",1,
                        "&exlimit=1&titles = ", URLencode(name2), 
                        "&explaintext=1&format=xml"))
  string <- xml_text(xml_find_first(response, "query/pages/page/extract"))
  pat <- sprintf("(?<=%s)[^)]+",substr(bdate, 1, 4))
  ddate <- sub("\\W+", "", regmatches(string, regexpr(pat, string, perl = TRUE)))
  c(Birth = format(as.Date(bdate), "%d %B %Y"), 
    Death = if (length(ddate)) ddate else NA)
}
dates('mandela')
       Birth      Death
1 1918-07-18 2013-12-05

dates('obama')
       Birth Death
1 1961-08-04  <NA>

Теперь пробежимся по политикам:

data.frame(t(sapply(politicians$Name, dates)))
                            Birth           Death
Barack Obama       04 August 1961            <NA>
Angela Merkel        17 July 1954            <NA>
Nelson Mandela       18 July 1918 5 December 2013
Margaret Thatcher 13 October 1925    8 April 2013
Mahatma Gandhi    02 October 1869 30 January 1948