创建Tidy文本

Question

我使用R进行文本分析。我使用“readtext”函数从pdf中提取文本。然而，正如你所能想象的，这是相当混乱的。为了不同的目的，我用“gsub”替换文本。其一般目标是使用一种类型的分隔符“%”将记录拆分为行，使用另一种分隔符“@”分隔列。我完成了第一件事，但对如何完成后一件事感到不知所措。在dataframe中找到的数据示例如下：

895“流动个案-混合发展计划@n@公布:六月六日，1994@作者: Baker A，Honigfeld S，Lieberman R，Tucker AM，Weiner JP@Country: United States @Journal:Project final report。巴尔的摩，医学博士，美国:约翰霍普金斯大学和Aetna健康计划。约翰霍普金斯大学和爱塔纳健康计划，美国作为美国[…]

896“救护小组:军事医疗使用评估@出版日期:6月6日，1994@作者: Bolling DR，Georgoulakis JM，Guillen AC@Country: United States @Journal:Fort休斯顿，TX，USA: United States Guillen for Healthcare Education and Studies，出版物#HR 94-\n 004。美国陆军医疗保健教育中心和…@网址：http://oai.dtic.mil/oai/oai?verb=getRecord&metadataPrefix=html&identifier=ADA27804“

我想获取这些数据，并将@Published、@Journal、@URL拆分为列-c(“已发布”、“作者”、“日志”、"URL")。

有什么建议吗？

提前感谢！

Answer 1

这似乎是可行的：

dfr <- data.frame(TEXT=c("The ambulatory case-mix development project\n@Published:: June 6, 1994@Authors: Baker A, Honigfeld S, Lieberman R, Tucker AM, Weiner JP@Country: United States @Journal:Project final report. Baltimore, MD, USA: Johns Hopkins University and Aetna Health Plans. Johns Hopkins\nUniversity and Aetna Health Plans, USA As the US […",
"Ambulatory Care Groups: an evaluation for military health care use@Published:: June 6, 1994@Authors: Bolling DR, Georgoulakis JM, Guillen AC@Country: United States @Journal:Fort Sam Houston, TX, USA: United States Army Center for Healthcare Education and Studies, publication #HR 94-\n004. United States Army Center for Healthcare Education and […]@URL: http://oai.dtic.mil/oai/oai?verb=getRecord&metadataPrefix=html&identifier=ADA27804"),
stringsAsFactors = FALSE)

library(magrittr)
do.call(rbind, strsplit(dfr$TEXT, "@Published::|@Authors:|@Country:|@Journal:")) %>%
as.data.frame %>%
setNames(nm = c("Preamble","Published","Authors","Country","Journal"))

基本上将文本拆分为四个字段中的一个(注意双:：发布后！)，行绑定结果，转换为dataframe，并给出一些名称。