如何在R中从FDA药品标签XML文件提取独立句子？

问题背景 #

我正在解析FDA药品标签（通过DailyMed API），需要在R语言中从数千份标签里定位特定关键词，并提取关键词所在的独立句子。当前做法是定位目标高层节点后用xml_text()提取文本，再通过str_split(chunk_of_text, pattern=boundary("sentence"))拆分句子，但存在句子间无空格的问题（例如"Sentence oneSentence two"或"Sentence one.Sentence two."）——这是因为xml_text()会直接拼接所有节点文本，而章节标题、段落前后常缺失空格。尝试将"."替换为". "会破坏带小数点的数字，跳过XML解析又无法准确定位特定标签。

需要实现的目标：从指定XML节点路径提取所有文本时，生成带空格分隔的内容，无需保留XML结构，只需得到独立句子/标题短语用于关键词检索。

解决方案 #

方法1：提取所有子文本节点并拼接（推荐） #

通过XPath定位目标节点下的所有纯文本子节点（//text()），提取每个节点的内容后过滤空文本，再用空格拼接，避免原始文本片段直接粘连。

library(xml2)

# 读取XML文档（替换为你的API返回内容或本地XML路径）
xml_doc <- read_xml("your_target_xml.xml")

# 定位目标节点下的所有文本子节点（调整XPath匹配你的需求，比如//section//text()）
target_text_nodes <- xml_find_all(xml_doc, "//section//text()")

# 过滤空文本并拼接成带空格的完整字符串
clean_text <- paste(
  xml_text(target_text_nodes)[xml_text(target_text_nodes) != ""],
  collapse = " "
)

# 拆分句子
list_of_sentences <- str_split(clean_text, pattern=boundary("sentence"))

方法2：智能修复缺失空格的句号 #

如果已经有拼接好的文本，可以用正则表达式精准替换需要补空格的句号，避开带小数点的数字。

library(stringr)

# 假设chunk_of_text是已提取的拼接文本
# 仅对"后面不是数字/已有空格、前面不是数字"的句号补空格
cleaned_chunk <- gsub(
  "(?<!\\d)\\.(?!\\d|\\s)", 
  ". ", 
  chunk_of_text, 
  perl = TRUE
)

# 拆分句子
list_of_sentences <- str_split(cleaned_chunk, pattern=boundary("sentence"))

正则说明：

• (?<!\\d)：负向后断言，确保句号前不是数字（避开小数点）
• \\.(?!\\d|\\s)：负向前断言，确保句号后不是数字或已有空格（只补缺失空格的情况）

方法3：按节点类型提取后合并 #

如果需要区分标题和段落，可以分别提取不同类型的节点文本，再用空格拼接，确保不同模块间的分隔：

library(xml2)
library(stringr)

xml_doc <- read_xml("your_target_xml.xml")

# 提取标题和段落文本
titles <- xml_text(xml_find_all(xml_doc, "//title"))
paragraphs <- xml_text(xml_find_all(xml_doc, "//paragraph"))

# 合并所有内容，每个模块间加空格
combined_text <- paste(c(titles, paragraphs), collapse = " ")

# 拆分句子
list_of_sentences <- str_split(combined_text, pattern=boundary("sentence"))

内容的提问来源于stack exchange，提问作者Pied Pipetter