在原始文本中粘贴字符串行

Question

我使用扫描目录中的原始文本数据。 下面是一个例子：

ABADIE-LANDEL (Pierre) — 1920 — né à Paris. — 17, rue Campagne-Première 
ABOU (Albert) — 1930 — né à Marseille. 
— 41, rue de Seine, 6e. 
ANGER (Jacques) — 1925 — né à Paris. — 33, rue Vineuse, 16e. 
ANTHONE (Armand) — 1908 — né à Paris. — 4, avenue Victor-Hugo 
Rue des Tournelles 
ANTRAL (Jean) — 1920 

这是偶尔的线，包括地址提到的名单。

数据被导入为R与：

readlines ("clipboard", encoding = " latin1 ") 

• 我能够识别线，包括大写字母不同的正则表达式

[A-ZÁÀÂÄÃÅÇÉÈÊËÍÌÎÏÑÓÒÔÖÕÚÙÛÜÝYÆO][A-ZÁÀÂÄÃÅÇÉÈÊËÍÌÎÏÑÓÒÔÖÕÚÙÛÜÝYÆO |']

或艺术家姓名（ICU ）

[\p{Uppercase Letter}][\p{Uppercase Letter}|']

• 我能够识别线，包括艺术品

^[0-9] + [\ s]的[^之二]`

• 我能够提取的艺术家的名字

".+(?=- [0-9]{4})"

或

(.+)[0-9]{4}.+ # with backreference \1

• 更多的数据，这里的数据来自1930年的目录样本：
  https://docs.google.com/document/d/1nF3CQmZbDsCGKMp_OgZymxWIfoOx5xrNdTmDXZANwuc/edit?usp=sharing

我希望我能粘贴ADRESS子的作品，但我的最终目标是创建一个data.frame对象，结构如下：

第1列：NAME艺术家和姓氏;
第2列：补充剂（地址，国籍......）
3列：作品或更好的... ...
专栏3：1的工作
第4列2工作等

感谢您提前你的帮助。

Answer 1

如果我正确理解你的问题，你想从你的记录中提取姓名和地址，其中一些可能跨越不同的行。

一个解决方案可能是利用字符—作为字段分隔符的事实。因此，假设您的记录结构是有规律的，你可以这样做：

（数据是牵着你的例子字符串变量）

## Replace newlines with the separator character 
data <- gsub("\\n(\\s*—)?", " — ", data) 

## Normalize space 
data <- gsub("\\s+", " ", data) 

## Now split by the separator character 
tokens <- strsplit(data, "\\s—\\s")[[1]] 

令牌现在包含：

[1] "ABADIE-LANDEL (Pierre)" "1920"      "né à Paris."    "17, rue Campagne-Première" "ABOU (Albert)" 
[6] "1930"      "né à Marseille."   "41, rue de Seine, 6e."  "ANGER (Jacques)"   "1925" 
[11] "né à Paris."    "33, rue Vineuse, 16e."  "ANTHONE (Armand)"   "1908"      "né à Paris." 
[16] "4, avenue Victor-Hugo"  "Rue des Tournelles"  "ANTRAL (Jean)"    "1920" 

每个完整的记录应该在这个向量中有4个连续的索引，但由于可能有不完整的记录，我们必须多做一些工作。

我们利用人名是全部资本并遵循严格模式的事实。我们得到tokens中的名称索引，然后在这些索引上拆分tokens。产生的每一子向量现在是一个完整的记录：

## Get the indices of names 
idx <- which(grepl("^[A-Z-]+\\s\\(", tokens)) 

## Use the indices to partition tokens to subvectors 
records <- list() 

for (i in 1:length(idx)) { 
    start <- idx[i] 
    if (i == length(idx)) { 
     stop <- length(tokens) 
    } 
    else { 
     stop <- idx[i+1] - 1 
    } 

    records[[i]] <- tokens[start:stop] 
} 

这里是结果的最终名单：

[[1]] 
[1] "ABADIE-LANDEL (Pierre)" "1920"      "né à Paris."    "17, rue Campagne-Première" 

[[2]] 
[1] "ABOU (Albert)"   "1930"     "né à Marseille."  "41, rue de Seine, 6e." 

[[3]] 
[1] "ANGER (Jacques)"  "1925"     "né à Paris."   "33, rue Vineuse, 16e." 

[[4]] 
[1] "ANTHONE (Armand)"  "1908"     "né à Paris."   "4, avenue Victor-Hugo" "Rue des Tournelles" 

[[5]] 
[1] "ANTRAL (Jean)" "1920" 

希望这有助于或导致更好的想法。