删除 R 中的标点符号，但保留标点符号/“句子标记”“！”、“。”、“？”在句末

Question

我目前正在尝试在我正在使用的文本语料库上创建基于句子的 LDA。 为了检测句子并拆分它们，我使用了openNLP 包中的sent_detect() 函数。

但是，我正在使用的数据集非常不干净，并且包含许多其他“标点符号”，我想在使用 sent_detect() 函数之前删除这些“标点符号”。

通常，我会在文本语料库上使用以下代码（来自tm 包）来删除标点符号：
text.corpus <- tm_map(text.corpus, removePunctuation)

然而，这个函数会删除所有类型的标点符号，包括 ".", "?", "!", "|" @使用的987654326@ 检测句子的功能。因此，将文本分成单独的句子会破坏我的目标。

有没有办法使用上述tm_map() 函数删除标点符号但排除特定的“句子指示符”（*“.”、“?”、“!”、“|”**）？

这是一个文本示例：

不好笑； - 我根本不喜欢这部电影/电影（因为演员很糟糕）。但是，我真的很喜欢这里的风景！

通常情况下，上面的removePunctuation会删除所有标点符号并留下以下句子：

不好笑我根本不喜欢这部电影，因为演员很糟糕，但我真的很喜欢这里的风景

但是，我最终想要的是：

不好笑我根本不喜欢这部电影，因为演员很糟糕。但是我真的很喜欢这里的风景！

谢谢！

Ps：使用 openNLP 包不是必须的，我也愿意接受任何其他解决方案！

Answer 1

您可以使用gsub 将要删除的所有字符定义为模式，将它们与交替标记| 连接，并确保使用@987654325 正确转义( 和) 等元字符@，并在替换参数中用"" 替换模式——也就是说，什么都没有：

gsub(";|- |/ |,|\\(|\\)", "", s)
[1] "not funny i did not like the movie film at all since the actors were terrible. however i really enjoyed the scenery!"

数据：

s <- "not funny; - i did not like the movie / film at all (since the actors were terrible). however, i really enjoyed the scenery!"

Answer 2

使用 stringr 和一个 not-not-statement（感谢 Chris Ruehlemann 的评论）：

s <- "not funny; - i did not like the movie / film at all (since the actors were terrible). however, i really enjoyed the scenery!"

str_remove_all(s, "[^[^[[:punct:]]]!|.|?]")
[1] "not funny  i did not like the movie  film at all since the actors were terrible. however i really enjoyed the scenery!"