问从文件中自动提取节(和节标题)
EN

Stack Overflow用户

提问于 2018-05-09 08:25:15

回答 1查看 293关注 0票数 0

我需要从.Rmd文件中提取所有的子部分(用于进一步的文本分析)和它们的标题(例如，从01-tidy-text.Rmd的整洁文本挖掘书：https://raw.githubusercontent.com/dgrtwo/tidy-text-mining/master/01-tidy-text.Rmd)。

我只知道一个部分从##符号开始，并一直运行到下一个#、##符号或文件的末尾。

整个文本已经被提取(使用dt <- readtext("01-tidy-text.Rmd"); strEntireText <-dt[1,1])并被定位为变量strEntireText。

我想为此使用stringr。或者stringi，类似这样的东西：

 strAllSections <- str_extract(strEntireText , pattern="...")
 strAllSectionsTitles <- str_extract(strEntireText , pattern="...")

请提出你的解决方案。谢谢

本练习的最终目标是能够从data.frame文件中自动创建一个.Rmd文件，其中每一行对应于每个节(和分段)，列包含:节标题、节标签、节文本本身和其他一些特定于节的细节，稍后将提取这些信息。

stringr

stringi

tidytext

read-text

游戏安全场景解决方案

基于腾讯20余年的防护技术积累，一站式解决游戏服务端、客户端安全问题

回答 1

Stack Overflow用户

回答已采纳

发布于 2018-05-09 13:46:14

下面是一个使用tidyverse方法的示例。这并不一定适用于您拥有的任何文件--如果您正在使用减价，您可能应该像Spacedman在他的评论中提到的那样，尝试找到一个适当的减价解析库。

library(tidyverse)

## A df where each line is a row in the rmd file.
raw <- data_frame(
  text = read_lines("https://raw.githubusercontent.com/dgrtwo/tidy-text-mining/master/01-tidy-text.Rmd")
)

## We don't want to mark R comments as sections.
detect_codeblocks <- function(text) {
  blocks <- text %>%
    str_detect("```") %>%
    cumsum()

  blocks %% 2 != 0
}

## Here is an example of how you can extract information, such
## headers, using regex patterns.
df <-
  raw %>%
  mutate(
    code_block = detect_codeblocks(text),
    section = text %>%
      str_match("^# .*") %>%
      str_remove("^#+ +"),
    section = ifelse(code_block, NA, section),
    subsection = text %>%
      str_match("^## .*") %>%
      str_remove("^#+ +"),
    subsection = ifelse(code_block, NA, subsection),
    ) %>%
  fill(section, subsection)

## If you wish to glue the text together within sections/subsections,
## then just group by them and flatten the text.
df %>%
  group_by(section, subsection) %>%
  slice(-1) %>%                           # remove the header
  summarize(
    text = text %>%
      str_flatten(" ") %>%
      str_trim()
  ) %>%
  ungroup()

#> # A tibble: 7 x 3
#>   section                          subsection  text                       
#>   <chr>                            <chr>       <chr>                      
#> 1 The tidy text format {#tidytext} Contrastin… "As we stated above, we de…
#> 2 The tidy text format {#tidytext} Summary     In this chapter, we explor…
#> 3 The tidy text format {#tidytext} The `unnes… "Emily Dickinson wrote som…
#> 4 The tidy text format {#tidytext} The gutenb… "Now that we've used the j…
#> 5 The tidy text format {#tidytext} Tidying th… "Let's use the text of Jan…
#> 6 The tidy text format {#tidytext} Word frequ… "A common task in text min…
#> 7 The tidy text format {#tidytext} <NA>        "```{r echo = FALSE} libra…