从 R 中的 .txt 文件中提取相关文本答案

【问题标题】：Extract relevant text from a .txt file in R从 R 中的 .txt 文件中提取相关文本
【发布时间】：2016-07-16 10:27:33
【问题描述】：

我仍然处于 r 的基本初学者水平。我目前正在研究一些自然语言的东西，我使用 ProQuest Newsstand 数据库。即使数据库允许下载 txt 文件，我也不需要他们提供的一切。您可以在那里下载的文件如下所示：

###############################################################################
____________________________________________________________

Report Information from ProQuest 16 July 2016 09:58
____________________________________________________________




____________________________________________________________

Inhaltsverzeichnis

1. Savills cracks Granite deal to establish US presence ; COMMERCIAL PROPERTY

____________________________________________________________

Dokument 1 von 1

Savills cracks Granite deal to establish US presence ; COMMERCIAL PROPERTY

http:...

Kurzfassung: Savills said that as part of its plans to build...

Links: ...

Volltext: Property agency Savills yesterday snapped up US real estate banking firm Granite Partners...

Unternehmen/Organisation: Name: Granite Partners LP; NAICS: 525910

Titel: Savills cracks Granite deal to establish US presence; COMMERCIAL PROPERTY:   [FIRST Edition]

Autor: Steve Pain Commercial Property Editor

Titel der Publikation: Birmingham Post

Seiten: 30

Seitenanzahl: 0

Erscheinungsjahr: 2007

Publikationsdatum: Aug 2, 2007

Jahr: 2007

Bereich: Business

Herausgeber: Mirror Regional Newspapers

Verlagsort: Birmingham (UK)

Publikationsland: United Kingdom

Publikationsthema: General Interest Periodicals--Great Britain

Quellentyp: Newspapers

Publikationssprache: English

Dokumententyp: NEWSPAPER

ProQuest-Dokument-ID: 324215031

Dokument-URL: ...

Copyright: (Copyright 2007 Birmingham Post and Mail Ltd.)

Zuletzt aktualisiert: 2010-06-19

Datenbank: UK Newsstand

____________________________________________________________

Kontaktieren Sie uns unter: http... Copyright © 2016 ProQuest LLC. Alle Rechte vorbehalten. Allgemeine Geschäftsbedingungen:  ...

###############################################################################

我需要一种仅将全文提取到 csv 文件的方法。原因是，当我在一个文件中下载数百篇文章时，手动复制和粘贴它们非常困难，而且我认为该文件非常结构化。但是，文本的长度会有所不同。不过，可以使用全文后的下一个标题作为停止标志（我猜）。

有什么办法吗？

我真的很感激一些帮助。亲切的问候，史蒂芬

【问题讨论】：

欢迎来到 Stack Overflow！该站点不是代码编写服务。请花点时间重新阅读Help center 中的提问指南。
请浏览tour、help center 和how to ask a good question 部分，了解本网站的工作原理并帮助您改进当前和未来的问题，从而帮助您获得更好的答案.
... only the full text to a csv file ... 是什么意思？ Volltext 之后的文字：只有？为什么您使用 R 而不是 Notepad++ 和 RegEx 来满足您的需求？
是的，只有“Volltext”之后的部分。我不知道如何在 Notepad++ 中使用 RegEx，这可能吗？

标签： r text-analysis

【解决方案1】：

假设您将所有发布信息都放在一个文本文件中，请先复制您的文件以进行重置。使用 Notepad++ 和 RegEx，您将完成以下步骤：

Ctrl+F
选择标记选项卡。
搜索模式：正则表达式
查找内容：^Volltext:\s
Alt+M 检查Bookmark line（如果仅未选中）
点击全部标记

从主菜单转到：搜索 > 书签 > 删除未标记的行

在第三步中，请执行以下步骤：

Ctrl+H
搜索模式：正则表达式
查找内容：^Volltext:\s（从下拉列表中选择）
替换为：NOTHING（明文字段）
点击全部替换

完成...

【讨论】：

太棒了！抱歉回复晚了，忙于其他工作。但真的很感谢你的帮助。效果很好。
如果这回答了您的问题，当您投票并标记为已回答时，我会很高兴。

【解决方案2】：

试试这个：

con <- file("./R/sample text.txt")
content <- paste(readLines(con),collapse="\n")
content <- gsub(pattern = "\\n\\n", replacement = "\n", x = content)
close(con)
content.filtered <- sub(pattern = "(.*)(Volltext:.*?)(_{10,}.*)", 
                        replacement = "\\2", x=content)

结果：

> cat(content.filtered)
Volltext: Property agency Savills yesterday snapped up US real estate banking firm Granite Partners...
Unternehmen/Organisation: Name: Granite Partners LP; NAICS: 525910
Titel: Savills cracks Granite deal to establish US presence; COMMERCIAL PROPERTY:   [FIRST Edition]
Autor: Steve Pain Commercial Property Editor
Titel der Publikation: Birmingham Post
Seiten: 30
Seitenanzahl: 0
Erscheinungsjahr: 2007
Publikationsdatum: Aug 2, 2007
Jahr: 2007
Bereich: Business
Herausgeber: Mirror Regional Newspapers
Verlagsort: Birmingham (UK)
Publikationsland: United Kingdom
Publikationsthema: General Interest Periodicals--Great Britain
Quellentyp: Newspapers
Publikationssprache: English
Dokumententyp: NEWSPAPER
ProQuest-Dokument-ID: 324215031
Dokument-URL: ...
Copyright: (Copyright 2007 Birmingham Post and Mail Ltd.)
Zuletzt aktualisiert: 2010-06-19
Datenbank: UK Newsstand

【讨论】：