Question

分析R中的Facebook评论以进行感伤分析。表情符号在＆lt;＆gt;之间的文本中进行编码。符号。

示例：

"Jesus te ama!!! <U+2764>  Ou não...?<U+1F628> (fé em stand by)"

<U+2764>和<U+1F628>是表情符号（沉重的黑色心脏和可怕的脸，分别地）。

因此，除了表情符号代码外，我需要拆分字/数字和标点/符号。我用gsub函数做了这个：

a1  <- "([[:alpha:]])([[:punct:]])"
a2 <- "([[:punct:]])([[:alpha:]])"
b <- "\\1 \\2"
gsub(a1, b, gsub(a2, b, "Jesus te ama!!! <U+2764>  Ou não...?<U+1F628> (fé em stand by)"))

...但是，从逻辑上讲，结果也会影响表情符号代码：

[1] "Jesus te ama !!! < U +2764>  Ou não ...?< U +1F628> ( fé em stand by )"

目标是为＆lt;＆gt;之间的文本创建一个例外，将其拆分为外部并且不要在内部拆分 - 即：

[1] "Jesus te ama !!! <U+2764>  Ou não ...? <U+1F628> ( fé em stand by )"

请注意：



有时句子/单词/ punct和表情符号代码之间的空格不存在（需要创建）

要求短片序列保持连接（例如＆＃34; !!!＆＃34;，＆＃34; ......？＆＃34;）

我该怎么做？

Answer 1

您可以使用以下正则表达式解决方案：

a1  <- "(?<=<)U\\+\\w+>(*SKIP)(*F)|(?<=\\S)(?=<U\\+\\w+>)|(?<=[[:alpha:]])(?=[[:punct:]])|(?<=[[:punct:]])(?=[[:alpha:]])"
gsub(a1, " ", "Jesus te ama!!! <U+2764>  Ou não...?<U+1F628> (fé em stand by)", perl=TRUE)
# => [1] "Jesus te ama !!! <U+2764>  Ou não ...? <U+1F628> ( fé em stand by )"

请参阅online R demo

此PCRE正则表达式（请参阅perl=TRUE调用中的gsub参数）匹配：

(?<=<)U\\+\\w+>(*SKIP)(*F) - 一个U+和1+个字符，如果前面有>，则< - 并且匹配值将被PCRE动词{{1}丢弃并且从本场比赛结束时查找下一场比赛
(*SKIP)(*F) - 或
| - 非空白字符必须立即出现在当前位置的左侧，并且(?<=\\S)(?=<U\\+\\w+>)，1 +字字符和<U+必须立即出现在当前位置的权利
> - 或
| - 必须在当前位置的左侧立即显示一封信，并且必须在当前位置的右侧立即显示标点符号
(?<=[[:alpha:]])(?=[[:punct:]]) - 或
| - 必须在当前位置的左侧立即显示标点符号，并且必须在当前位置的右侧立即显示一个字母

Answer 2

> str <- "Jesus te ama!!! <U+2764>  Ou não...?<U+1F628> (fé em stand by)"
> strsplit(str,"[[:space:]]|(?=[.!?])",perl=TRUE)
[[1]]
 [1] "Jesus"     "te"        "ama"       "!"         "!"         "!"        
 [7] ""          "<U+2764>"  ""          "Ou"        "não"       "."        
[13] "."         "."         "?"         "<U+1F628>" "(fé"       "em"       
[19] "stand"     "by)"

R - 如何使用例外拆分文本和标点符号？

2 个答案: