将 LaTeX 生成的索引组合修改为有用的数据框

Question

我通过 RStudio、.Rnw 脚本、knitr 和 LaTeX 以 PDF 格式输出的几个文档有很长的索引。 readLines可以读入R每个文档的索引（一个“file.ind”文件），我将它们全部组合成一个字符向量。

向量如下所示，但 PDF 文档在 \item 术语（我称之为“主要”术语）下缩进了 \subitem 术语（我称之为“次要”术语）。组合向量有 20 多个主要项（例如 Data 和 Statistics）和 2,000 个次要项（例如'分布、钟形曲线、正态、20）。一个主要术语可以有 5 到 50 多个次要术语。

\item Data
\subitem distribution, bell curve, normal, 20
\subitem absolute number, 111
\subitem arithmetic mean, 21
\subitem big data, 137
\subitem binary, 110
\subitem categorical, 130
\item Statistics
\subitem count, 53
\subitem data, 53, 129
\subitem data, missing, 135
\subitem digits, 53

编程挑战是“填写”初级学期直到下一个初级学期开始，然后填写第二个初级学期直到下一个初级学期开始，依此类推。或者，R 如何创建一个看起来像这样有两列的对象？

Primary Secondary
Data    distribution, bell curve, normal, 20
Data    absolute number, 111
Data    arithmetic mean, 21
Data    big data, 137
Data    binary, 110
Data    categorical, 130
Statistics  count, 53
Statistics  data, 53, 129
Statistics  data, missing, 135
Statistics  digits, 53

我的目标是将修改后的组合索引保存在 Excel 中，以便我可以更轻松地标准化命名约定、检测缺失的术语、修复拼写错误等等。

感谢您的指导。

Answer 1

我认为以下内容应该可以工作（未经全面测试，但大多数部分都经过测试）。您可以逐行读取输入文件，然后处理两种类型的输入：

• 行以\item 开头
  • 在这种情况下，记录新的主标签，但不要实际上向数据框写入任何内容
• 行以\subitem 开头
  • 在这种情况下，使用当前行中最新的主要和次要向数据帧写入一行

df <- data.frame(Primary=character(),
                 Secondary=character(),
                 stringsAsFactors=FALSE) 

# replace 'filepath' with the actual path to your file
con = file(filepath, "r")
primary <- NA
secondary <- NA
while (TRUE) {
    line <- readLines(con, n=1)
    if (length(line) == 0) {
        break
    }
    if (substr(line, 2, 5) == 'item') {
        primary <- gsub("\\\\item\\s+(.*)", "\\1", line)
    }
    else if (substr(line, 2, 8) == 'subitem') {
        secondary <- gsub("\\\\subitem\\s+(.*)", "\\1", line)
        df$Primary <- primary
        df$Secondary <- secondary
    }
    else {
        print(paste0("Unexpected input: ", line))
    }
}
close(con)

请注意，如果您不知道文件的实际路径是什么，则只需在 Windows 资源管理器中查找该文件并复制路径即可。在 Linux 上，您可以使用 grep 查找该文件，或者找到它的位置并输入 pwd。

更新：

根据您的 cmets，听起来您向我们展示的数据可能已经在字符向量中。您可以将我上面的内容简化为以下内容：

primary <- NA
secondary <- NA
for (i in 1:length(IndxAll)) {
    line <- IndxAll[i]
    if (length(line) == 0) {
        break
    }
    if (substr(line, 2, 5) == 'item') {
        primary <- gsub("\\\\item\\s+(.*)", "\\1", line)
    }
    else if (substr(line, 2, 8) == 'subitem') {
        secondary <- gsub("\\\\subitem\\s+(.*)", "\\1", line)
        df$Primary <- primary
        df$Secondary <- secondary
    }
    else {
        print(paste0("Unexpected input: ", line))
    }
}