przechwytywania skomplikowane nazwy

Question

moje dane:

Caterina Guonçallvez braçeyro 
Francisco Ro[dr]í[gueJz luveyro 
Johao de Miranda calçeteyro 
Lucas Martinz Mal-Cuzinhado, braçeyro 
Francisquo d[e] Arruda braçeyro 
Francisquo de Miranda braçeyro 

-pierwsze Nazwisko
-pierwsze imię nazwisko z brakets i J (brakets OCR Recognition)
-pierwsze Nazwisko z myślnikiem
-pierwsze nazwisko z cząstek
-pierwsze nazwisko z cząstką z brakets

oczekiwany wynik

Caterina Guonçallvez 
Francisco Ro[dr]í[gueJz 
Johao de Miranda 
Lucas Martinz Mal-Cuzinhado 
Francisquo d[e] Arruda 
Francisquo de Miranda 

• Nazwy są Początki z uppercases

• Ostatnia część nazwy następuje przestrzeni (lub przecinek z miejsca), a słowo zaczynające się od małej charakterze jak „braçeyro” lub „calçeteyro "(Praca ludzi)

  danych < - readlines (" schowka”, kodowanie = "latin1")

co starałem:

^([a-zA-ZàáâäãåąčćęèéêëėįìíîïłńòóôöõøùúûüųūÿýżźñçčšžÀÁÂÄÃÅĄĆČĖĘÈÉÊËÌÍÎÏĮŁŃÒÓÔÖÕØÙÚÛÜŲŪŸÝŻŹÑßÇŒÆČŠŽ∂ð])\w+[A-Z ,.'-]\w+ 

dając
Antonio Guomez
Caterina Guon
Francisco Ro
Johao de
Francisquo d

Answer 1

Wzór (([A-Z][\w\[\]-]+|de|d\[e\])\s?)+ powraca:

'Caterina Guonçallvez ' 
'Francisco Ro[dr]í[gueJz ' 
'Johao de Miranda ' 
'Lucas Martinz Mal-Cuzinhado' 
'Francisquo d[e] Arruda ' 
'Francisquo de Miranda ' 

Zakłada ustawić lokalny e poprawnie.

Wyrażenie dopasowuje grupy liter (i myślniki), począwszy od wielkich liter lub "de", a następnie opcjonalne spacje. Oznacza to, że musisz usunąć paski, aby usunąć końcowe spacje.

---

edit: Dowód działa w R:

> Sys.setlocale("LC_ALL","en_us.UTF-8") 
> library(stringr) 
> x <- "Caterina Guonçallvez braçeyro " 
> str_match(x, '(([A-Z][\\w\\[\\]-]+|de|d\\[e\\])\\s?)+') 
    [,1]     [,2]   [,3]   
[1,] "Caterina Guonçallvez " "Guonçallvez " "Guonçallvez"