如何用R语言提取Excel CSV文件中括号内外的英西双语文本？

核心思路 #

通过正则表达式精准匹配方括号内的西语文本，提取后剩余内容即为英文；借助Python的CSV处理工具完成文件的读取与结果导出。

所需工具 #

• csv：Python内置模块，轻量处理CSV文件
• re：Python内置正则模块，用于匹配提取目标文本
• （可选）pandas：简化CSV操作，适合快速处理小规模数据（100行完全适配）

实现代码 #

基础版（内置模块） #

无需额外安装依赖，适合纯原生Python环境：

import csv
import re

# 正则规则：匹配方括号内的文本（非贪婪模式，避免多括号冲突）
spanish_regex = re.compile(r'\[(.*?)\]')

english_data = []
spanish_data = []

# 读取原始CSV
with open('input.csv', 'r', encoding='utf-8') as in_file:
    reader = csv.DictReader(in_file)
    # 替换为你实际的对话列名，比如'transcript'
    target_col = 'transcript'
    
    for row in reader:
        content = row[target_col]
        # 提取所有西语片段并拼接
        spanish_parts = spanish_regex.findall(content)
        spanish_text = ' '.join(spanish_parts)
        spanish_data.append({'spanish': spanish_text})
        
        # 移除方括号及内部内容，清理多余空格得到英文
        english_text = re.sub(r'\[.*?\]', '', content).strip()
        english_text = re.sub(r'\s+', ' ', english_text)
        english_data.append({'english': english_text})

# 导出英文文件
with open('english_result.csv', 'w', newline='', encoding='utf-8') as out_file:
    writer = csv.DictWriter(out_file, fieldnames=['english'])
    writer.writeheader()
    writer.writerows(english_data)

# 导出西语文件
with open('spanish_result.csv', 'w', newline='', encoding='utf-8') as out_file:
    writer = csv.DictWriter(out_file, fieldnames=['spanish'])
    writer.writeheader()
    writer.writerows(spanish_data)

简化版（pandas） #

代码更简洁，需先安装pandas（执行pip install pandas）：

import pandas as pd
import re

# 读取CSV
df = pd.read_csv('input.csv', encoding='utf-8')
spanish_regex = re.compile(r'\[(.*?)\]')

# 提取西语和英文
df['spanish'] = df['transcript'].apply(lambda x: ' '.join(spanish_regex.findall(x)))
df['english'] = df['transcript'].apply(lambda x: re.sub(r'\[.*?\]', '', x).strip().replace('\s+', ' ', regex=True))

# 导出结果
df[['english']].to_csv('english_result.csv', index=False, encoding='utf-8')
df[['spanish']].to_csv('spanish_result.csv', index=False, encoding='utf-8')

注意事项 #

• 替换代码中的input.csv为你的实际文件名，transcript为对话列的真实列名
• 正则\[(.*?)\]采用非贪婪匹配，可正确处理同一段落内多个方括号的情况
• 清理英文文本时的re.sub(r'\s+', ' ', english_text)用于移除移除方括号后残留的多余空格

内容的提问来源于stack exchange，提问作者CogNeuro123