用于匹配R中各种类型的编号列表的正则表达式

Question

我有一组文件，其中包含（可能）不同类型的有序列表。我想将任何列表实例折叠为段落文本，并删除#out。即

1. Hello
(a) world
ii) 3000
This isn't in the list.

会变成：

Hello world 3000.
This isn't in the list.

我还可以想象将这些列表提取到单独的R对象中有用的情况（例如，我们可能想要获取文本，创建存储每个列表项的列表列表）。 （即，假设并发列表项位于同一列表中，之前的项目将成为列表中的3个项目。）

在Python here中有关于此操作的一些指导，但我想知道如何在R中操作此类列表。

到目前为止，我的尝试非常粗糙，例如建立在无序列表案例gsub("(\r?\n|\r)\\*", " ", stri1)

上

Answer 1

如果您将文件作为一个字符串读取，则可以使用

解决该问题

txt = "1. Hello\r\n(a) world\r\nii) 3000\r\nThis isn't in the list."
txt = gsub("(?m)[\r\n]*^(?:\\d+(?:\\.\\d+)*|\\(?[a-z]+\\))\\s+", " ", txt, perl=T)
lst = strsplit(txt, "\r?\n")

输出：

> txt
[1] "1. Hello world 3000\r\nThis isn't in the list."
> lst
[[1]]
[1] "1. Hello world 3000"     "This isn't in the list."

正则表达式是

(?m)[\r\n]*^(?:\d+(?:\.\d+)*|\(?[a-z]+\))\s+

请参阅regex demo

(?m)强制^匹配行开始位置，[\r\n]*匹配零个或多个\n或\r个字符，(?:\d+(?:\.\d+)*|\(?[a-z]+\))匹配用点分隔的整数或数字，或者用(和必修)括起来的一个或多个字母。 \s+匹配一个或多个空白符号。 如果字母/罗马数字可以为大写，请将(?m)替换为(?mi) 。