在正则表达式中用 \n 替换字符，然后将文本转换为 quanteda 语料库

Question

我有一些经过 OCR 处理的文本。 OCR 放置了很多换行符 (\n)，它们不应该是。但也错过了很多应该在那里的新线路。

我想删除现有的换行符并用空格替换它们。然后用原始文本中的换行符替换特定字符。然后将文档转换为 quanteda 中的语料库。

我可以创建一个基本的语料库。但问题是我不能把它分成几段。如果我使用
corpus_reshape(corps, to ="paragraphs", use_docvars = TRUE) 它不会分解文档。

如果我使用 corpus_segment(corps, pattern = "\n")

我收到一个错误。

rm(list=ls(all=TRUE))
library(quanteda)
library(readtext)

# Here is a sample Text
sample <- "Hello my name is Christ-
ina. 50 Sometimes we get some we-


irdness

Hello my name is Michael, 
sometimes we get some weird,


 and odd, results-- 50 I want to replace the 
 50s
"



# Removing the existing breaks
sample <- gsub("\n", " ", sample)
sample <- gsub(" {2,}", " ", sample)
# Adding new breaks
sample <- gsub("50", "\n", sample)

# I can create a corpus
corps <- corpus(sample, compress = FALSE)
summary(corps, 1)

# But I can't change to paragraphs
corp_para <- corpus_reshape(corps, to ="paragraphs", use_docvars = TRUE)
summary(corp_para, 1)

# But I can't change to paragraphs
corp_para <- corpus_reshape(corps, to ="paragraphs", use_docvars = TRUE)
summary(corp_para, 1)

corp_segmented <-  corpus_segment(corps, pattern = "\n")

# The \n characters are in both documents.... 
corp_para$documents$texts
sample

Answer 1

我建议在将文本放入语料库之前使用正则表达式替换来清理文本。文本中的技巧是找出要删除换行符的位置以及要保留它们的位置。我从您的问题中猜测您想要删除“50”的出现，但也可能加入由连字符和换行符分隔的单词。您可能还想在文本之间保留两个换行符？

许多用户更喜欢 stringr 包更简单的界面，但我一直倾向于使用 stringi（stringr 是在其上构建的） 反而。它允许向量化替换，因此您可以在一个函数调用中为其提供要匹配的模式向量和替换。

library("stringi")

sample2 <- stri_replace_all_regex(sample, c("\\-\\n+", "\\n+", "50"), c("", "\n", "\n"),
  vectorize_all = FALSE
)
cat(sample2)
## Hello my name is Christina. 
##  Sometimes we get some weirdness
## Hello my name is Michael, 
## sometimes we get some weird,
##  and odd, results-- 
##  I want to replace the 
##  
## s

在这里，您将"\\n" 匹配为正则表达式模式，但仅使用"\n" 作为（文字）替换。

替换文本中最后一个“s”之前有两个换行符，因为 a）“50s”中的“s”之后已经有一个换行符，b）我们通过将 50 替换为新的 "\n" 添加了一个换行符。

现在您可以使用quanteda::corpus(sample2) 构建语料库。