我正在尝试使用字符串和正则表达式将已解析的语料库转换为R中的数据帧(从那以后,我读到也许我不应该在这种工作中使用正则表达式,但是我花了很多时间在我想知道是否有解决方案)。语料库如下所示:
text <- paste("<w type=\"NP0\" lemma=\"dorothy\">Dorothy</w><c type=\"PUN\">, </c><w type=\"PRP\" lemma=\"in\">in </w><w type=\"DPS\" lemma=\"she\">her </w><w type=\"NN1\" lemma=\"time\">time</w><c type=\"PUN\">, </c><w type=\"VHD\" lemma=\"have\">had </w><w type=\"VBN\" lemma=\"be\">been </w><w type=\"AT0\" lemma=\"an\">an </w><w type=\"AJ0\" lemma=\"active\">active </w><w type=\"NN1\" lemma=\"member\">member </w><w type=\"PRF\" lemma=\"of\">of </w><w type=\"AT0\" lemma=\"an\">an </w><w type=\"NN1\" lemma=\"organisation\">organisation </w><w type=\"VVN-VVD\" lemma=\"call\">called </w><w type=\"AT0\" lemma=\"the\">the </w><w type=\"NN1\" lemma=\"noise\">Noise </w><w type=\"NN1\" lemma=\"reduction\">Reduction </w><w type=\"NN1\" lemma=\"society\">Society</w><c type=\"PUN\">, </c>")
我已经接近我想要使用的东西了:
library("stringr")
# Extract type
type <- str_extract_all(text, "<. type=\\\"(.*?)\\\"") %>%
unlist()
#Extract word
word <- str_extract_all(text, ">(.*?)<\\/.>") %>%
unlist()
#Convert to Data frame
df <- data.frame(
type = type,
word = word)
问题是我只希望出现在等之间的东西,<w type = \"
而\"
不是那些字符本身,所以是这样的(对于前两个单词):
df2 <- data.frame(type = c("NP0", "PUN"), word = c("Dorothy", ","))
同样,在了解到我应该学习(例如)XML
此类数据的包之后,我可以用正则表达式得到我想要的东西吗?
您可以使用环顾四周功能以仅提取之间的字符串。我还添加str_trim
了以删除单词周围的多余空格
data.frame(
type = str_extract_all(text , '(?<=type=\\")(.*?)(?=\\")')[[1]],
word = str_trim(str_extract_all(text , '(?<=\\">)(.*?)(?=<)')[[1]], side = "both")
)
# type word
# 1 NP0 Dorothy
# 2 PUN ,
# 3 PRP in
# 4 DPS her
# 5 NN1 time
# 6 PUN ,
# 7 VHD had
# 8 VBN been
# 9 AT0 an
# 10 AJ0 active
# 11 NN1 member
# 12 PRF of
# 13 AT0 an
# 14 NN1 organisation
# 15 VVN-VVD called
# 16 AT0 the
# 17 NN1 Noise
# 18 NN1 Reduction
# 19 NN1 Society
# 20 PUN ,
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句