Question

我有一个文本文件，我想在R中解析，下面列出了以下结构。字段的分隔符是“START”和“END”。

START 苹果香蕉香蕉结束开始橙子苹果西瓜结束 ...

如何在R中解析它以获取分隔符之间的内容。我可以使用XML库在R？

中解析它

Answer 1

试试这个：

x <- "START apple banana banana END START orange apple watermelon END ..."

library(gsubfn)
strapplyc(x, "START (.*?) END", simplify = c)

，并提供：

[1] "apple banana banana"     "orange apple watermelon"

Answer 2

您可以使用strsplit：

> x <- "START apple banana banana END START orange apple watermelon END"
> z <- unlist(strsplit(x, "((START)|(END))|(END START)"))
> z[nzchar(z)]
[1] " apple banana banana "     " orange apple watermelon "

如果您不需要将字符串分隔为子字符串，也可以使用gsub：

> gsub("START|END", "", x)
[1] " apple banana banana   orange apple watermelon "

如果您希望将所有剩余的单词分开，则两者的组合将起作用：

> unlist(strsplit(gsub("START | END", "", x), " "))
[1] "apple"      "banana"     "banana" 
[4] "orange"     "apple"      "watermelon"

EDIT / ADD：

从您的评论中，听起来您的数据是单列数据框。如果是这样的话，你可以这样做：

## set up the data
> d <- data.frame(words = unlist(strsplit(x, " ")))
> d$words <- as.character(d$words)
> d
        words
1       START
2       apple
3      banana
4      banana
5         END
6       START
7      orange
8       apple
9  watermelon
10        END

## remove unwanted words by subsetting
> d[-with(d, which(words == "START" | words == "END")), ]
[1] "apple"      "banana"     "banana"     "orange"     "apple"      "watermelon"

Answer 3

只是一条线吗？如果您只想使用基数R，请尝试

line <- readLines("filename")[[1]]
data <- strsplit(line, " END START ")[[1]]
data[c(1, length(data))] <- gsub("^START | END$", "",  data[c(1, length(data))])

Answer 4

这是一种方法：

x <- "START apple banana banana END START orange apple watermelon END"

library(qdap)
genXtract(x, "START\\s", "\\sEND")

##     "apple banana banana" "orange apple watermelon"

解析R中的文本文件

4 个答案: