ocr ：取消在行尾剪切的单词并保留段落

Question

我有一个字符串向量。向量的每个元素对应于一行 ocerized 文本。每行的最后一个单词可以被破折号（或不被破折号）截断并在下一行继续，向量的下一个元素。

text <- c("Lorem ipsum dolor sit am-",
     "et consectetur adipis-",
     "cing Quisque euismod, ex vel -aliquam- vestibulum",
     "Nulla lacinia volutpat ipsum sed condimentum")

我想要什么：重组切词，同时保持段落中的文本布局。

Lorem ipsum dolor sit amet 
consectetur adipiscing
Quisque euismod, ex vel -aliquam- vestibulum
Nulla lacinia volutpat ipsum sed condimentum

我不想要的:

Lorem ipsum dolor sit amet consectetur adipiscing Quisque euismod, ex vel -aliquam- vestibulum Nulla lacinia volutpat ipsum sed condimentum

我做了什么：我将向量的行转换为数据数组，因为我认为 dplyr 包中的函数（超前和滞后）可能对我有用。

textdf <- as.data.frame((text))


library(dplyr)
textdf  <- textdf %>%
rename( text = '(text)')

我认为应该做的事情：如果字符串以破折号结尾，则 select 下一行的第一个单词，删除破折号并剪切并粘贴该行末尾的单词。

library(stringr)
 textdf  <- textdf %>%
 mutate(text = str_replace(text, "-$", lag("^.+\s")))

Answer 1

这里有一个方法-

library(dplyr)

data.frame(text) %>%
         #The word end with "-"
  mutate(cut_word = grepl('-$', text), 
         #Remove the last "-"
         text = sub('-$', '', text), 
         #If cut_word get 1st word from next value and paste it in current value.
         text = ifelse(cut_word, paste0(text, stringr::word(lead(text), 1)), text), 
         #Remove the first word if previous value has cut_word.
         text = ifelse(lag(cut_word, default = FALSE), sub('.*?\s', '', text), text)) %>%
  select(-cut_word)

#                                          text
#1                   Lorem ipsum dolor sit amet
#2                       consectetur adipiscing
#3 Quisque euismod, ex vel -aliquam- vestibulum
#4 Nulla lacinia volutpat ipsum sed condimentum

ocr ：取消在行尾剪切的单词并保留段落

ocr : unbreak the words cut at the end of lines and keep the paragraphs

r

dplyr

stringr