用正则表达式中的\\ n替换字符，然后将文本转换为quanteda语料库

Question

我有一些OCR的文字。 OCR放了很多换行符（\\ n），如果它们不应该是。 但也错过了许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。 但麻烦的是我不能把它分解成段落。 如果我使用
corpus_reshape（corps，to =“paragraph”，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

我建议使用正则表达式替换来清理文本，然后再将其放入语料库中。 你文本中的技巧是找出你想要删除换行符的位置，以及你想要保留它们的位置。 我猜你想要删除“50”的出现，但也可能加入用连字符和换行符分隔的单词。 您可能还希望在文本之间保留两个换行符？

许多用户更喜欢stringr包的简单接口，但我总是倾向于使用stringi （在其上构建stringr ）。 它允许矢量化替换，因此您可以在一个函数调用中为其提供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 。

在替换文本中的最后一个“s”之前有两个换行符因为a）在“50s”中的“s”之后已经有一个换行符b）我们通过用新的"\\n"替换50来添加一个换行符。

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