3

我正在看英语和法语的 Oliver Twist。我发现这个网站（https://cran.r-project.org/web/packages/tidytext/vignettes/tidytext.html）提供代码来应用每行文本的章节号。当我将它应用于英文文本时，它工作得很好：

library(gutenbergr)
library(dplyr)
library(tidytext)
library(stringr)
twistEN <- gutenberg_download(730)
twistEN <- twistEN[118:nrow(twistEN),]
chaptersEN <- twistEN %>%
  mutate(line = row_number(), chapter = cumsum(str_detect(text, regex("^chapter [\\divxlc]", ignore_case = TRUE)))) %>%
  ungroup()

然后，当我查看 chaptersEN 时，我可以看到它在每一行上适当地应用了章节编号。我遇到麻烦的地方是法语文本。这是我的代码：

twistFR <- gutenberg_download(16023)
twistFR <- twistFR[123:nrow(twistFR),]
twistFR$text <- iconv(twistFR$text, "latin1", "UTF-8")
chaptersFR <- twistFR %>%
  mutate(line = row_number(), chapter = cumsum(str_detect(text, regex("^chaptitre [\\divxlc]", ignore_case = TRUE)))) %>%
  ungroup()

这里的问题是这些章节没有命名为第 1 章和第 2 章，它们被命名为 Chapitre Premier、Chapitre Deuxieme。我相信正则表达式是通过查看单词 chapter 后面的数字来查找章节编号（如果我错了，请纠正我），所以当该数字作为单词写入时它不知道该怎么做。关于如何应用章节编号的任何想法？

4

2 回答 2

0

简短的回答：你写的是 chaptitre 而不是 chapitre

您在代码中使用该 [\\divxlc]部分是为了什么？
例如：^chapitre [\\divxlc]
^表示在行
chapitre首仅匹配单词 chapitre（仅小写）
，空白字段匹配空格
，部分[\\divxlc]仅匹配 '\'、'd'、'i'、'v'、'x'、 'l' 或 'c'

所以它可以匹配这些例子： chapitre d、chapitre i或chapitre \

如果你希望 chapitre 开头的 c 是大写或小写，你可以使用这个：
^[cC]hapitre [\\divxlc]

于 2019-09-23T19:59:12.943 回答
0

在这种情况下，匹配以大写“CHAPITRE”开头的行就足够了。

chaptersFR <- twistFR %>%
  mutate(line = row_number(), chapter = cumsum(str_detect(text, regex("^CHAPITRE")))) %>%
  ungroup()

chaptersFR %>% 
  filter(grepl("^chapitre", text, ignore.case = TRUE)) %>%
  head(5)

# A tibble: 5 x 4
  gutenberg_id text               line chapter
         <int> <chr>             <int>   <int>
1        16023 CHAPITRE PREMIER.     1       1
2        16023 CHAPITRE II         124       2
3        16023 CHAPITRE III        604       3
4        16023 CHAPITRE IV.       1006       4
5        16023 CHAPITRE V.        1333       5

chaptersFR %>% 
  filter(grepl("^chapitre", text, ignore.case = TRUE)) %>%
  tail(5)

# A tibble: 5 x 4
  gutenberg_id text                                                            line chapter
         <int> <chr>                                                          <int>   <int>
1        16023 CHAPITRE L.                                                    18443      50
2        16023 CHAPITRE LI.                                                   18973      51
3        16023 chapitre, Olivier se trouvait, à trois heures de l'après-midi, 18979      51
4        16023 CHAPITRE LII                                                   19580      52
5        16023 CHAPITRE LIII.                                                 19989      53
于 2019-09-23T20:06:35.347 回答