使用R中的tm包进行文本挖掘，删除从[http]或任何其他特定单词开始的单词

Question

我是R和文本挖掘的新手。我用推特上的一些术语制作了一个词云。我面临的问题是在wordcloud中显示http：...或htt ... 我该如何处理这个问题 我尝试使用元字符*但我仍然怀疑我是否正确应用

  

tw.text = removeWords（tw.text，c（停用词（＆＃34; zh＆＃34;），＆＃34; rt＆＃34;，＆＃34; http \\ *＆＃34;））

有人进入文本分析，请帮助我。

Answer 1

如果您要从字符串中删除网址，可以使用：

gsub("(f|ht)tp(s?)://(.*)[.][a-z]+", "", x)

x的位置：

x <- c("some text http://idontwantthis.com", 
         "same problem again http://pleaseremoveme.com")

如果您可以发布数据样本，那么为您提供特定答案会更容易，但以下示例将为您提供一个没有URL的干净文本：

> clean_x <- gsub("(f|ht)tp(s?)://(.*)[.][a-z]+", "", x)
> clean_x
[1] "some text "          "same problem again "

作为一个侧面点，我建议在挖掘之前搜索现有方法来清理文本可能是值得的。例如，clean所讨论的#函数可以让您自动执行此操作。在类似的行上，还有从推文（@，{{1}}），标点符号和其他不良条目中清除文本的功能。

Answer 2

将以下代码应用于语料库以用空格替换字符串模式。 字符串模式可以是您要从wordcloud中删除的网址或术语。 例如，删除以https：

开头的字词

替换为空格

  

toSpace = content_transformer（function（x，pattern）gsub（pattern，＆＃34;＆＃34;，x））

     

tweet_corpus_clean = tm_map（tweet_corpus，toSpace，＆＃34; https *＆＃34;）

或传递以下模式以删除网址

  

tweet_corpus_clean = tm_map（tweet_corpus，toSpace，＆＃34;（f | ht）tp（s？）：//（。*）[。] [a-z] +＆＃34;）