【发布时间】：2013-06-25 13:58:08
【问题描述】：
我在 R 中有一些列表，它是我正在抓取数据的相对非结构化文档中的一组行。每页的顶部是一个页码，后面是字符串“page”和几行我想删除的标题信息。
每个文档都有不同数量的标题行。到目前为止我的解决方案：
RawFeed.1<- grep("Page",RawFeed)
RawFeed.1a<-length(RawFeed.1)
RawFeed.1<-RawFeed.1[-1]
请注意，第一个实例在此处被删除，因为第一页的标题行总是比其余页面多，并且无论如何都会稍后删除。
y<-RawFeed.1[1]
ya<-c(y:length(RawFeed))
NSearch<-RawFeed[ya]
NSearch.1<-grep("Start", NSearch)
y1<-NSearch.1[1]
y1<-y1-1
y2<-c(0:y1)
由于总是在数据开始之前的行上找到“开始”，因此这始终为我提供了文档特定数量的标题行。
接下来我尝试通过以下方式删除它们：
PageBreak <-function(y) {
RawFeed<-RawFeed[-x-y]
}
RawFeedTemp<-lapply(RawFeed.1,PageBreak,y=y2)
哪个有效，有点 - 我留下了一个数组，RawFeedTemp[[n]] 仅删除了该页面的标题信息。
那么我如何执行类似的操作，留下一个列表，其中每个页面的标题信息已被删除，或者有没有办法组合数组中的元素，使其仅包含一组行，不包括那些我正在尝试删除？
编辑：数据示例
[306] N 46 10/08/12 10/08/12 Stuff :30 NM 0 $0.00"
[307] Week: 10/08/12 10/14/12 Other Stuff $6,500.00 0.00
[308] " Contract Agreement Between: Print Date 10/05/12 Page 5 of 6"
[309] ""
[310] ""
[311] " Contract / Revision Alt Order #"
[312] " Person
[313] " Address 1
[314] " Address 2
[315] " Address 3
[316] " Address 4
[317] ""
[318] " Original Date / Revision"
[319] ""
[320] "08/10/12 / 10/04/12"
[321] ""
[322] ""
[323] ""
[324] "* Line Ch Start Date End Date Description Start
[325] MORE DATA
另一个文件可能有不同数量的这些标题。另请注意，记录占用多行，大多数文件在开始新页面之前完成记录，但少数文件坚持将记录的第二行推送到新页面，这为什么我需要将它们全部删除
感谢您的帮助！
【问题讨论】：
标签： regex r screen-scraping