如何合并以特定字符首尾、被换行分隔的行？R语言字幕数据处理

针对你遇到的转录数据台词被拆分的问题，可以用R语言的分组合并方法解决，具体步骤如下：

1. 提取原始数据向量 #

先把原数据中的字符向量单独提取出来，方便后续处理：

original_vec <- c(
  "00:00:03.990 --> 00:00:05.270",
  "<v Bill>I'm here to take some notes. I've",
  "heard this will be interesting.</v>",
  "00:00:05.770 --> 00:00:07.370",
  "<v Charlie>I believe you'll be correct",
  "about that, Bill.</v>",
  "00:00:10.810 --> 00:00:11.170",
  "<v Bill>Awesome.</v>"
)

2. 生成分组标识 #

通过正则表达式识别时间戳行（以00:开头）和台词起始行（以<v 开头），用cumsum生成分组ID，确保同一段台词的多行属于同一组：

group_id <- cumsum(grepl("^00:", original_vec) | grepl("^<v ", original_vec))

3. 按分组合并文本 #

将同一组的文本合并，单行内容直接保留，多行台词用空格连接：

merged_vec <- sapply(split(original_vec, group_id), function(x) {
  if (length(x) == 1) {
    x
  } else {
    paste(x, collapse = " ")
  }
})

4. 转换为目标数据框 #

最后将合并后的向量转为数据框，得到预期结果：

intendedData <- data.frame(transcript = unname(merged_vec))

运行以上代码后，intendedData$transcript的内容就和你预期的一致了。

内容的提问来源于stack exchange，提问作者Courtney Gerver