如何将复杂的文本文档转换为单个字符串
How to convert complex text document to single character string
我有一份手稿，想使用正则表达式从中提取所有引文。使用手稿中的测试样本，我开发了一个正则表达式——参见此处：。它在名为 samp:
的样本上完美运行
str_extract_all(samp, "\([A-Za-z][^)]*\d{4};|;\s[A-Za-z][^)]*\d{4}\)|\([A-Za-z][^)]*\d{4}.*?\)|\b[A-Z][a-z].*\([^A-Za-z)]\w.*?\)|\b[A-Z][a-z].*\(forthcoming\)|\b[A-Z][a-z].*\(in preparation\)|\([A-Za-z][^);]*\d{4}|(?<=;\s)[A-Za-z][^);]*\d{4}")
但是：正则表达式在实际手稿上效果不佳（手稿显然比示例更大，并且可能具有比示例更复杂的内部结构），因为与示例不同，我无法将手稿转换成单一的、连贯的字符串.
我试过这样读入文档：
read.table([my path], header = F, sep = "\n", fill = F, stringsAsFactors = F, strip.white = T)
我用 paste 将它们融合在一起：
paste0(manuscript$V1, collapse = "")
但是生成的对象仍然有内部分隔，阻止正则表达式在整个文档上无缝工作。
那么如何将手稿读入或post处理成单个不间断的字符串？
非常感谢您帮助解决这个问题。
我们可以使用 readLines 将文件内容作为行列表获取，然后将其折叠为单个不间断的字符串。
manuscript <- paste0(readLines(path_to_file), collapse= "")
根据文件的内容，我们可能希望在提取信息之前进行一些预处理。但这应该让我们得到一个表单中的字符串，如您在 post.
中链接的问题中的示例所示
我有一份手稿，想使用正则表达式从中提取所有引文。使用手稿中的测试样本，我开发了一个正则表达式——参见此处：samp:
str_extract_all(samp, "\([A-Za-z][^)]*\d{4};|;\s[A-Za-z][^)]*\d{4}\)|\([A-Za-z][^)]*\d{4}.*?\)|\b[A-Z][a-z].*\([^A-Za-z)]\w.*?\)|\b[A-Z][a-z].*\(forthcoming\)|\b[A-Z][a-z].*\(in preparation\)|\([A-Za-z][^);]*\d{4}|(?<=;\s)[A-Za-z][^);]*\d{4}")
但是：正则表达式在实际手稿上效果不佳（手稿显然比示例更大，并且可能具有比示例更复杂的内部结构），因为与示例不同，我无法将手稿转换成单一的、连贯的字符串.
我试过这样读入文档：
read.table([my path], header = F, sep = "\n", fill = F, stringsAsFactors = F, strip.white = T)
我用 paste 将它们融合在一起：
paste0(manuscript$V1, collapse = "")
但是生成的对象仍然有内部分隔，阻止正则表达式在整个文档上无缝工作。
那么如何将手稿读入或post处理成单个不间断的字符串？
非常感谢您帮助解决这个问题。
我们可以使用 readLines 将文件内容作为行列表获取，然后将其折叠为单个不间断的字符串。
manuscript <- paste0(readLines(path_to_file), collapse= "")
根据文件的内容，我们可能希望在提取信息之前进行一些预处理。但这应该让我们得到一个表单中的字符串，如您在 post.
中链接的问题中的示例所示