R如何在特定单词之后提取所有段落中的所有内容？

Question

您好，我正在寻找一个 R 代码来删除特定术语之后所有段落中的每个单词。 寻找“谈话：”并替换所有内容直到新段落的示例。 我尝试了正则表达式并花时间但无法成功（“fjeaofiz”始终存在）。

x <- c("12 3456 789", "Talk: zpfozefpozjgzigzehgoi oezjgzogzjgoezjgo \r fjeaofiz ", "", NA, "Talk: 667")
stri_sub_all(x, stri_locate_all_regex(x, "^Talk:.*\r", omit_no_match=TRUE)) <- "***"
print(x)

我的输出应该是：

x <-"12 3456 789", "***", "", NA, "***"

有什么帮助吗？

Answer 1

如果目标是删除字符串 Talk 之后出现的任何内容，包括 Talk，那么这应该可行：

sub("^Talk.*", "***", x)
[1] "12 3456 789" "***"         ""            NA            "***"  

Answer 2

你需要使用

stri_sub_all(x, stri_locate_all_regex(x, "(?s)^Talk:.*", omit_no_match=TRUE)) <- "***"

这里的重点是删除\r（你的正则表达式只匹配到CR char之前的行的一部分）并使用(?s)和.*模式来匹配整个字符串的其余部分，因为stringi正则表达式默认情况下，包使用 ICU 正则表达式风格，. 不匹配换行符（如 CR 和 LF）。 (?s) 启用 . 匹配换行符。

可能更简单的方法是使用

sub("^Talk:.*", "***", x)

这里使用了默认的 TRE 正则表达式库，. 在此正则表达式风格中默认匹配换行符。