Question

我想使用我在文本中使用R tm包识别的模式从txt（或HTML）文档中提取日期。我的电脑上有报纸文章data_X_txt和data_X（HTML格式）。每个文件夹都包含以公司命名的文档，该公司包含一个txt或html文档中的所有报纸文章。我从Lexis Nexis下载了这些HTML文档。

对于每个文档，我想知道所包含文章的上传日期。我发现在UPDATE后面的每篇文章都给出了Uploaddate：。

所以我发现这个问题与我的问题类似 Extract unknown words from a recurrent pattern

但我在解决方案方面遇到了一些问题首先，我不知道如何正确地将我的数据从单个文档上传到R中，以便使用正则表达式进行进一步处理。

其次，我自己有理解和应用子公式的问题。看到这个公式，我发现：

sub("^(?:https?:\\/\\/)?[^\\/]+\\/([^\\/]+).*$", "\\1", tmp[,5])

我很难将sub的模式部分（我假设的第一部分）调整到我的问题中。我也不知道第二部分意味着什么。对于第三部分，我知道这是文本的来源，但我不知道[，5]的意思。

这里是完整的代码：

tmp <- read.csv("LaVanguardia_facebook_statuses.csv")
sub("^(?:https?:\\/\\/)?[^\\/]+\\/([^\\/]+).*$", "\\1", tmp[,5])

我也使用的txt文件： https://www.dropbox.com/s/e24ywni8z3s8wqk/SolarWorldAG_25.03.2008_1.HTML.txt?dl=0

我对R的了解目前是Swirl课程，特别是文本挖掘https://rstudio-pubs-static.s3.amazonaws.com/31867_8236987cf0a8444e962ccd2aec46d9c3.html

Answer 1

如果您需要的只是日期，文本挖掘包将无济于事，但R的正则表达式功能非常有用。

要明确了解您的要求，请尝试gregexpr w / regmatches：

fileName <- "~/Downloads/SolarWorldAG_25.03.2008_1.HTML.txt"
mytxt <- readChar(fileName, file.info(fileName)$size)
regmatches(mytxt, regexec("UPDATE:",mytxt))

regmatches(mytxt, gregexpr(
"UPDATE: [A-Za-z]{0,10} ?[0-9]{1,2}\\. [A-Z]{1}[a-z|ä]{2,8} [0-9]{4}", 
mytxt))

它用英语说：查找文字UPDATE:后跟一个空格，然后是一个0到10个字符的可选集合，对应于德语中一周的（可选）日期，一个可选空格， 1到2位数字，一个句号（由\\转义，因为原因）大写字母，英文字母和ä的所有小写字母，以2到8个字母的顺序，后跟一个空格，后跟一个4位数字。

你得到：

[1] "UPDATE: 18. März 2008"      "UPDATE: 14. März 2008"     
[3] "UPDATE: 13. März 2008"      "UPDATE: 14. März 2008"     
[5] "UPDATE: 28. Februar 2008"   "UPDATE: 20. Februar 2008" 
...
[189] "UPDATE: 31. Dezember 2004"      "UPDATE: 3. Januar 2005"        
[191] "UPDATE: 9. Dezember 2004"       "UPDATE: 23. November 2004"

使用R从txt / HTML文件中提取未知日期

1 个答案: