如何编写自定义removePunctuation（）函数来更好地处理Unicode字符？

Question

在tm文本挖掘R包的源代码中，在文件transform.R中 ，有removePunctuation()函数，当前定义为：

function(x, preserve_intra_word_dashes = FALSE)
{
    if (!preserve_intra_word_dashes)
        gsub("[[:punct:]]+", "", x)
    else {
        # Assume there are no ASCII 1 characters.
        x <- gsub("(\\w)-(\\w)", "\\1\1\\2", x)
        x <- gsub("[[:punct:]]+", "", x)
        gsub("\1", "-", x, fixed = TRUE)
    }
}

我需要从科学会议中解析并挖掘一些摘要（从他们的网站上获取为UTF-8）。 摘要包含一些需要删除的unicode字符，特别是在字边界处。 有通常的ASCII标点字符，但也有一些Unicode破折号，Unicode引号，数学符号......

文本中还有URL，并且标点符号中需要保留单词标点符号。 tm的内置removePunctuation()函数太激进了。

所以我需要一个自定义的removePunctuation()函数来根据我的要求进行删除。

我的自定义Unicode函数现在看起来像这样，但它不能按预期工作。 我很少使用R，所以在R中完成任务需要一些时间，即使对于最简单的任务也是如此。

我的功能：

corpus <- tm_map(corpus, rmPunc =  function(x){ 
# lookbehinds 
# need to be careful to specify fixed-width conditions 
# so that it can be used in lookbehind

x <- gsub('(.*?)(?<=^[[:punct:]’“”:±</>]{5})([[:alnum:]])'," \\2", x, perl=TRUE) ;
x <- gsub('(.*?)(?<=^[[:punct:]’“”:±</>]{4})([[:alnum:]])'," \\2", x, perl=TRUE) ;
x <- gsub('(.*?)(?<=^[[:punct:]’“”:±</>]{3})([[:alnum:]])'," \\2", x, perl=TRUE) ;
x <- gsub('(.*?)(?<=^[[:punct:]’“”:±</>]{2})([[:alnum:]])'," \\2", x, perl=TRUE) ;
x <- gsub('(.*?)(?<=^[[:punct:]’“”:±</>])([[:alnum:]])'," \\2", x, perl=TRUE) ; 
# lookaheads (can use variable-width conditions) 
x <- gsub('(.*?)(?=[[:alnum:]])([[:punct:]’“”:±]+)$',"\1 ", x, perl=TRUE) ;

# remove all strings that consist *only* of punct chars 
gsub('^[[:punct:]’“”:±</>]+$',"", x, perl=TRUE) ;

}

它没有按预期工作。 我想，它什么都不做。 标点符号仍在术语 - 文档矩阵中，请参阅：

 head(Terms(tdm), n=30)

  [1] "<></>"                      "---"                       
  [3] "--,"                        ":</>"                      
  [5] ":()"                        "/)."                       
  [7] "/++"                        "/++,"                      
  [9] "..,"                        "..."                       
 [11] "...,"                       "..)"                       
 [13] "“”,"                        "(|)"                       
 [15] "(/)"                        "(.."                       
 [17] "(..,"                       "()=(|=)."                  
 [19] "(),"                        "()."                       
 [21] "(&)"                        "++,"                       
 [23] "(0°"                        "0.001),"                   
 [25] "0.003"                      "=0.005)"                   
 [27] "0.006"                      "=0.007)"                   
 [29] "000km"                      "0.01)" 
...

所以我的问题是：

1. 为什么对我的函数（）{}的调用没有达到预期的效果？ 我的功能如何改进？
2. 在R的perl兼容正则表达式中是否支持Unicode正则表达式模式类，如if \\P{ASCII}或\\P{PUNCT} ？ 我认为它们（默认情况下）不是PCRE： “只有支持带有\\ p的各种Unicode属性才是不完整的，尽管支持最重要的属性。”

Answer 1

尽管我喜欢Susana的回答，但是它在新版本的tm中打破了语料库（不再是PlainTextDocument并且破坏了元数据）

您将获得一个列表并出现以下错误：

Error in UseMethod("meta", x) : 
no applicable method for 'meta' applied to an object of class "character"

运用

tm_map(your_corpus, PlainTextDocument)

将返回你的语料库，但有$ meta损坏（特别是文件ID将丢失。

解

使用content_transformer

toSpace <- content_transformer(function(x,pattern)
    gsub(pattern," ", x))
your_corpus <- tm_map(your_corpus,toSpace,"„")

资料来源： R，Text Mining的实践数据科学，Graham.Williams @ togaware.com http://onepager.togaware.com/

更新

此函数删除所有非字母数字（即UTF-8表情符号等）

removeNonAlnum <- function(x){
  gsub("[^[:alnum:]^[:space:]]","",x)
}

Answer 2

我有同样的问题，自定义功能不起作用，但实际上必须添加下面的第一行

问候

苏珊娜

replaceExpressions <- function(x) UseMethod("replaceExpressions", x)

replaceExpressions.PlainTextDocument <- replaceExpressions.character  <- function(x) {
    x <- gsub(".", " ", x, ignore.case =FALSE, fixed = TRUE)
    x <- gsub(",", " ", x, ignore.case =FALSE, fixed = TRUE)
    x <- gsub(":", " ", x, ignore.case =FALSE, fixed = TRUE)
    return(x)
}

notes_pre_clean <- tm_map(notes, replaceExpressions, useMeta = FALSE)