如何根据R中的条件将文本文件拆分为多个.txt文件或数据框？

Question

我有一个.txt格式的XML文件。

我想以这样的方式拆分此文件：我只获取<TEXT>和</TEXT>之间的文本，并将其另存为不同的文本文件或数据框。有人可以帮我解决一下如何在R中做到这一点吗？

我尝试使用grep函数来提取文本，但是我无法实现我的目标。我对文本挖掘非常陌生，如果有人能帮助我，那将是非常好的。

test_2=grep("[^<TEXT>] [$</TEXT>]",test,ignore.case=T,value=T)

Answer 1

使用XML

尝试XPath

library(XML)
doc <- xmlParse("test.txt")
sapply(xpathApply(doc, "//*/TEXT"), xmlValue)

然后你会得到一个角色向量并做你想做的事。

Answer 2

首先我做了

install.packages("XML")
library(XML)

现在这有点棘手，因为您的文档（如上所示）没有root。如果你将它包装在

中

<mydoc>
...
</mydoc>

或类似的东西，你可以用这个：

doc <- xmlRoot(xmlTreeParse("text.xml"))
df <- vector(length=length(doc))
for (i in 1:length(doc))
{ 
    text_node <- doc[[i]]$children$text
    text <- xmlToList(text_node)
    df[i] <- text
}

现在假设你不能添加我上面做的人造根。您仍然可以将其解析为HTML，它更容忍无效文档。我也在这个例子中使用XPath（你也可以在上面的那个中）：

doc <- htmlTreeParse("text_noroot.xml")
content <- doc$children$html
textnodes <- getNodeSet(content, "//text")
df <- vector(length=length(textnodes))
for (i in 1:length(textnodes))
{ 
    text_node <- textnodes[[i]]$children$text
    text <- xmlToList(text_node)
    df[i] <- text
}