Question

我有许多大文本文件，其基本构成如下：

text<-"this is a speech text. FIRST PERSON: hi all, thank you for coming. SECOND PERSON: thank you for inviting us"

如您所见，它由以下内容组成：1）随机文本，2）大写字母，3）语音。

我设法使用以下列表将所有单词分开：

textw<-unlist(strsplit(text," "))

然后我找到大写字的所有位置：

grep(pattern = "^[[:upper:]]*$",x = textw)

我已将人名分成矢量;

upperv<-textw[grep(pattern = "^[[:upper:]]*$",x = textw)]

期望的结果将是这样的数据框或表：

Result<-data.frame(person=c(" ","FIRST PERSON","SECOND PERSON"),
         message=c("this is a speech test.","hi all, thank you for coming.","thank you for inviting us"))

Result
         person                       message
1                      this is a speech test.
2  FIRST PERSON hi all, thank you for coming.
3 SECOND PERSON     thank you for inviting us

我遇到了麻烦＆＃34;链接＆＃34;每条消息给它的作者。

还要注意：有大写单词不是作者，例如＆＃34;我＆＃34;。如果只有2个或更多个大写单词彼此相邻，我怎么能指定分隔？

换句话说，如果位置2和3是大写，则将消息放在从位置4到下一次出现的双大写的所有内容中。

任何帮助表示赞赏。

Answer 1

以下是使用 stringi 包的一种方法：

text <- "this is a speech text. FIRST PERSON: hi all, thank you for coming. SECOND PERSON: thank you for inviting us"

library(stringi)
txt <- unlist(stri_split_regex(text, "(?<![A-Z]{2,1000})\\s+(?=[A-Z]{2,1000})"))

data.frame(
    person = stri_extract_first_regex(txt, "[A-Z ]+(?=(:\\s))"),
    message = stri_replace_first_regex(txt, "[A-Z ]+:\\s+", "")
)


##          person                       message
## 1          <NA>        this is a speech text.
## 2  FIRST PERSON hi all, thank you for coming.
## 3 SECOND PERSON     thank you for inviting us

Answer 2

基本方法

1）获取文本我将按照Tyler Rinkers的方法将文本拆分为一个或多个（+）只有大写字母（[[:upper:]]）的序列，这可能还需要空格和冒号（[ [:upper:]:]）："[[:upper:]]+[ [:upper:]:]+"

2）提取使用几乎相同的正则表达式的人（不再允许冒号）："[[:upper:]]+[ [:upper:]]+"（再次，基本想法是从Tyler Rinker偷来的）

<强> stringr

require(stringr)

text <- "this is a speech text. FIRST PERSON: hi all, thank you for coming. SECOND PERSON: thank you for inviting us"

data.frame (
    person  = c( NA,
                 unlist(str_extract_all(text, "[[:upper:]]+[ [:upper:]]+"))
                ),
    message = unlist(str_split(text, "[[:upper:]]+[ [:upper:]:]+"))
    )

##          person                        message
## 1          <NA>        this is a speech text. 
## 2  FIRST PERSON hi all, thank you for coming. 
## 3 SECOND PERSON      thank you for inviting us

<强> stringi

require(stringi)

text <- "this is a speech text. FIRST PERSON: hi all, thank you for coming. SECOND PERSON: thank you for inviting us"

data.frame (
    person  = c( NA,
                 unlist(stri_extract_all(text, regex="[[:upper:]]+[ [:upper:]]+"))
                ),
    message = unlist(stri_split(text, regex="[[:upper:]]+[ [:upper:]:]+"))
    )

##          person                        message
## 1          <NA>        this is a speech text. 
## 2  FIRST PERSON hi all, thank you for coming. 
## 3 SECOND PERSON      thank you for inviting us

提示（反映我的偏好而非规则）

1）我希望"[A-Z]+"超过"[A-Z]{1,1000}"，因为在第一种情况下，不必决定实际上可能是一个合理的数字。

2）我希望"[[:upper:]]"超过"[A-Z]"，因为前者就是这样......

str_extract("Á", "[[:upper:]]")
## [1] "Á"

......而后者就是这样......

str_extract("Á", "[A-Z]")
## [1] NA

...如果是特殊字符。

在R中按大写解析文本

2 个答案: