在R中按大写解析文本答案

【问题标题】：Parse text by uppercase in R在R中按大写解析文本
【发布时间】：2015-06-04 05:06:45
【问题描述】：

我有许多具有以下基本组成的大型文本文件：

text<-"this is a speech text. FIRST PERSON: hi all, thank you for coming. SECOND PERSON: thank you for inviting us"

如您所见，它由以下部分组成：1) 随机文本，2) 大写人物，3) 语音。

我已经设法在一个列表中分离出所有的单词：

textw<-unlist(strsplit(text," "))

然后我找到所有大写单词的位置：

grep(pattern = "^[[:upper:]]*$",x = textw)

我已经把人名分成了一个向量；

upperv<-textw[grep(pattern = "^[[:upper:]]*$",x = textw)]

期望的结果是这样的数据框或表格：

Result<-data.frame(person=c(" ","FIRST PERSON","SECOND PERSON"),
         message=c("this is a speech test.","hi all, thank you for coming.","thank you for inviting us"))

Result
         person                       message
1                      this is a speech test.
2  FIRST PERSON hi all, thank you for coming.
3 SECOND PERSON     thank you for inviting us

我无法将每条消息“链接”到其作者。

另请注意：有些不是作者的大写单词，例如“I”。如何仅在 2 个或多个大写单词彼此相邻的情况下指定分隔符？

换句话说，如果位置 2 和 3 是大写字母，则将位置 4 直到下一次出现双大写字母的所有内容都作为消息放置。

任何帮助表示赞赏。

【问题讨论】：

最后一个问题，可以在:upper:后面加一个分隔符{2}，这样一排至少要有两个大写字母（至少可以避免“I”的问题。

标签： r text text-mining uppercase

【解决方案1】：

这是使用 stringi 包的一种方法：

text <- "this is a speech text. FIRST PERSON: hi all, thank you for coming. SECOND PERSON: thank you for inviting us"

library(stringi)
txt <- unlist(stri_split_regex(text, "(?<![A-Z]{2,1000})\\s+(?=[A-Z]{2,1000})"))

data.frame(
    person = stri_extract_first_regex(txt, "[A-Z ]+(?=(:\\s))"),
    message = stri_replace_first_regex(txt, "[A-Z ]+:\\s+", "")
)


##          person                       message
## 1          <NA>        this is a speech text.
## 2  FIRST PERSON hi all, thank you for coming.
## 3 SECOND PERSON     thank you for inviting us

【讨论】：

我相信这里的正则表达式向导之一会有更简洁的方法。
{2,1000} 有点脏
[A-Z]{2,1000} 可能被替换为：[A-Z][A-Z]+，这将允许两个最多为无限的人员标识符。
@petermeissner 你能举个例子吗？在 R 中使用 stri_split_regex 或 strsplit 表示无效模式
查看我的答案作为示例（您可以将 [[:upper:]] 替换为 [A-Z]）

【解决方案2】：

基本方法

1) 要获取文本，我将按照 Tyler Rinkers 的方法将文本按一个或多个 (+) 的序列拆分，仅大写字母 ([[:upper:]])，可能还包含空格和冒号 (@987654323 @):"[[:upper:]]+[ [:upper:]:]+"

2) 提取使用几乎相同正则表达式的人（不再允许使用冒号）："[[:upper:]]+[ [:upper:]]+"（同样，基本思想是从 Tyler Rinker 那里偷来的）

字符串

require(stringr)

text <- "this is a speech text. FIRST PERSON: hi all, thank you for coming. SECOND PERSON: thank you for inviting us"

data.frame (
    person  = c( NA,
                 unlist(str_extract_all(text, "[[:upper:]]+[ [:upper:]]+"))
                ),
    message = unlist(str_split(text, "[[:upper:]]+[ [:upper:]:]+"))
    )

##          person                        message
## 1          <NA>        this is a speech text. 
## 2  FIRST PERSON hi all, thank you for coming. 
## 3 SECOND PERSON      thank you for inviting us

字符串i

require(stringi)

text <- "this is a speech text. FIRST PERSON: hi all, thank you for coming. SECOND PERSON: thank you for inviting us"

data.frame (
    person  = c( NA,
                 unlist(stri_extract_all(text, regex="[[:upper:]]+[ [:upper:]]+"))
                ),
    message = unlist(stri_split(text, regex="[[:upper:]]+[ [:upper:]:]+"))
    )

##          person                        message
## 1          <NA>        this is a speech text. 
## 2  FIRST PERSON hi all, thank you for coming. 
## 3 SECOND PERSON      thank you for inviting us

提示（反映我的偏好而非规则）

1) 我更喜欢"[A-Z]+" 而不是"[A-Z]{1,1000}"，因为在第一种情况下，on 不必决定实际输入的合理数字。

2) 我更喜欢"[[:upper:]]" 而不是"[A-Z]"，因为前者的工作原理是这样的......

str_extract("Á", "[[:upper:]]")
## [1] "Á"

...而后者的工作原理是这样的...

str_extract("Á", "[A-Z]")
## [1] NA

... 在特殊字符的情况下。

【讨论】：