在 R 中:提取文本句子中的信息

In R : extract information in text sentence

我有一些文章的全文。我想提取一些信息(比如年份或月份)来分析它。

并以文章正文结构为例,

December 4, 2016 Sunday, LENGTH: (length of main text), HEADLINE: (the title of article), BYLINE: (reporter name), BODY: (main text)

我把所有的文本都放在一行一行中。(所以我认为可以将文章结构视为一个字符串。)

在这种格式下,如何提取 LENGTH、HEADLINE、BYLINE 值并制作数据框?

我认为如果正确使用正则表达式是可能的,但我不知道具体如何。

这可能是一个开始:使用 strsplit 提取您需要的部分。这段代码有点乱,但它有效:

sentence <- "December 4, 2016 Sunday, LENGTH: 1070 words, HEADLINE: Korea presents new farm development model globally, BYLINE: By Yoon Ja-young"

Date <- as.character(sapply(strsplit(sentence, "LENGTH"), "[[",1))
Rows <- as.character(sapply(strsplit(sentence, "LENGTH"), "[[",2))
Length <- gsub(":","", as.character(sapply(strsplit(Rows, ","), "[[",1)))
Headline <- as.character(sapply(strsplit(as.character(sapply(strsplit(Rows, ","), "[[",2)), ":"), "[[",2))
Byline <- as.character(sapply(strsplit(as.character(sapply(strsplit(Rows, ","), "[[",3)), ":"), "[[",2))

然后收集数据框中的行:

  Df <- data.frame(Date, Length, Headline, Byline)  

希望以下解决方案对您有所帮助。我相信更有效的方法是可能的,查看 gsubgrepstringr.


DF<-data.frame(do.call(rbind, strsplit(x, ",", fixed=TRUE)))
DF$X1 <- paste(DF$X1,DF$X2, sep = ",")    
new_df<-as.data.frame(lapply(DF, function(x) gsub(".*:", "", x)))
new_df<-subset(new_df, select = -X2)
colnames(new_df)<-c("Date","Length","Headline","ByLine","Other")
new_df

输出

                       Date      Length                                            Headline
1   December 4, 2016 Sunday  1070 words  Korea presents new farm development model globally
2 Noveember 10, 2016 Friday  1070 words  Korea presents new farm development model globally
             ByLine Other
1  By Yoon Ja-young   ~~~
2  By Yoon Ja-young   ~~~

数据

 x<- c("December 4, 2016 Sunday, LENGTH: 1070 words, HEADLINE: Korea
       presents new farm development model globally, BYLINE: By Yoon Ja-young, BODY: ~~~",
      "Noveember 10, 2016 Friday, LENGTH: 1070 words, HEADLINE: Korea 
       presents new farm development model globally, BYLINE: By Yoon Ja-young, BODY: ~~~")

更新: 正如@G.Grothendieck 评论中提到的那样,更改了将字段显示为列的解决方案。

首先可重复地定义测试数据——我们使用了问题中显示的两个数据实例。我们注意到棘手的部分是问题中的每条记录 运行 超过 1 行。

读入Lines -- 用真实数据替换textConnection(Lines),也就是保留代码self-contained,用"myfile.txt",比如

然后第一个 sub 在每行的开头插入一个 space ,第二个替换所有包含 LENGTH: 的所有内容,包括 LENGTH: with newline, DATE:、日期和 LENGTH:gsub 在每个关键字前插入一个换行符,而 paste 将其全部折叠成一个大的换行符分隔字符串。 strsplit再次拆分它,以便我们添加的换行符生效。

数据现在是 DCF 格式,因此我们可以使用 read.dcf 读取它。 DCF 格式用一个或多个空行分隔记录,每个字段以字段名开头,后跟冒号,space 后跟值。如果后续行缩进,该值可以 运行 到多行,例如以 space.

开头

这给出了一个包含 5 个指定列的矩阵。最后一个 sub 删除每个元素末尾的逗号,最后一个 gsub 将换行符替换为 spaces.

请注意,我们已将字段放置在列中,这通常是 R 中表示数据的方式,但如果您真的想要它在行中,请使用 t(dcf)

# test data

Lines <- "December 4, 2016 Sunday, LENGTH: 1070 words, HEADLINE: Korea presents new farm
development model globally, BYLINE: By Yoon Ja-young, BODY: ~~~
December 4, 2016 Sunday, LENGTH: 1070 words, HEADLINE: Korea presents new farm
development model globally, BYLINE: By Yoon Ja-young, BODY: ~~~"

# code

L0 <- readLines(textConnection(Lines))
L <- sub("^", " ", L0)
L <- sub("(.*) LENGTH:", "\nDATE: \1 LENGTH:", L)
L <- gsub("(\w+:)", "\n\1", L)
L <- paste(L, collapse = "\n")
L <- unlist(strsplit(L, "\n"))
dcf <- read.dcf(textConnection(L))
dcf[] <- sub(",$", "", dcf)
dcf[] <- gsub("\n", " ", dcf)

这给出了以下 5 列字符矩阵:

> dcf

     DATE                      LENGTH      
[1,] "December 4, 2016 Sunday" "1070 words"
[2,] "December 4, 2016 Sunday" "1070 words"
     HEADLINE                                             BYLINE            
[1,] "Korea presents new farm development model globally" "By Yoon Ja-young"
[2,] "Korea presents new farm development model globally" "By Yoon Ja-young"
     BODY 
[1,] "~~~"
[2,] "~~~"

更新: 添加了输出日期。

这是一个在基本 R 包中使用字符串拆分和一些正则表达式的答案。只要数据始终采用显示的格式,它就可以工作。

data <- "December 4, 2016 Sunday, LENGTH: 1070 words, HEADLINE: Korea presents new farm development model globally, BYLINE: By Yoon Ja-young, BODY: ~~~"

textParse <- function(dat){
    tmp <- strsplit(dat, ', ')[[1]]

    time <- as.Date(paste(tmp[1:2], collapse = ' '), format="%B %d %Y")

    len <- strsplit(gsub(".*LENGTH: (\d+)", "\1", dat), " ")[[1]][1]

    headline <- paste(strsplit(tmp[4], ' ')[[1]][2:length(strsplit(tmp[4], ' ')[[1]])], collapse = ' ')

    byline <- paste(strsplit(tmp[5], ' ')[[1]][3:length(strsplit(tmp[5], ' ')[[1]])], collapse = ' ')

    body <- paste(strsplit(tmp[6], ' ')[[1]][2:length(strsplit(tmp[6], ' ')[[1]])], collapse = ' ')

    return(as.data.frame(cbind(time, len, headline, byline, body)))
}

textParse(data)

输出:

 time   len                                            headline     byline
1 17139 1070 Korea presents new farm development model globally Yoon Ja-young
  body
1  ~~~

编辑:请注意,R 中的时间表示为 "the number of days since 1970-01-01" R: Date-time Conversion

的整数