基于quanteda清理语料：移除#符号包裹的文本

你可以通过正则表达式批量处理readtext返回的数据框，快速移除所有被#符号包裹的内容。以下是两种常用实现方式：

基础R实现 #

直接使用gsub函数对text字段进行替换，支持跨行匹配#包裹的段落：

# 假设读取后的数据集为corpus_df
corpus_df$clean_text <- gsub("#.*?#", "", corpus_df$text, perl = TRUE, flags = "s")

• #.*?#：非贪婪匹配所有以#开头、#结尾的内容
• flags = "s"：让.匹配换行符，处理跨行的#包裹段落
• 若不需要保留原text字段，可直接将结果覆盖到corpus_df$text

dplyr管道实现 #

如果习惯用tidyverse风格，可结合mutate批量处理：

library(dplyr)

corpus_df <- corpus_df %>%
  mutate(clean_text = gsub("#.*?#", "", text, perl = TRUE, flags = "s"))

验证清理结果 #

随机抽取几条数据确认效果：

sample(corpus_df$clean_text, 5)

内容的提问来源于stack exchange，提问作者bgreen