使用 tm 包在 R 中打印语料库的一个元素的第一行答案

【问题标题】：Print first line of one element of Corpus in R using tm package使用 tm 包在 R 中打印语料库的一个元素的第一行
【发布时间】：2018-04-21 02:05:47
【问题描述】：

如何使用 tm 包在 R 中打印一个小样本或第一行语料库？我有一个非常大的语料库（> 1 GB）并且正在做一些文本清理。我想在应用清洁程序时进行测试。只打印语料库的第一行或前几行是理想的。

# Load Libraries
library(tm)

# Read in Corpus
corp <- SimpleCorpus( DirSource( 
    "C:/TextDocument"))

# Remove puncuation
corp <- removePunctuation(corp,
                      preserve_intra_word_contractions = TRUE,
                      preserve_intra_word_dashes = TRUE)

我尝试了几种访问语料库的方法：

# Print first line of first element of corpus
corp[[1]][[1]] 

# Print first line using 'content' element of corpus
corp[[1]]$content[[1]]

这两种情况都会导致运行时间过长而没有所需的输出。

tm包中的原始语料可以用于示例目的。

data("crude")

【问题讨论】：

你为什么不先获取你的语料库的一个子集，对它进行所有的文本清理测试，然后在完整的语料库上做呢？或切换到量子。并行工作。从语料库中获取信息的最快方法也是 corp[[1]]$content[[1]]。你可以用微基准做一些测试来检查。

标签： r text-mining tm corpus

【解决方案1】：

strwrap 很好地完成了这项工作，因为它打印了您的段落formatted by breaking lines at word boundaries。（见?strwrap。）然后可以使用head函数查看前6行。

 head(strwrap(corp))

【讨论】：

strwrap 可以很好地处理原始数据，但使用我的语料库，在快速机器上需要很多分钟。通过尝试str(corp)，我很幸运地获得了每个元素的非常小的样本，但是有很多不需要的额外输出。有更快的方法吗？
@JHall651，你有没有找到这个查询的答案或找到一种花费更少时间的方法？这里有同样的问题。谢谢。