如何按词数限制拆分DataFrame长文本行？

问题 #

我有一个包含两列的DataFrame，一列是编号值，另一列是自由文本。其中一个条目的词数超过2000，导致使用kable包生成PDF表格时遇到困难。请问能否在达到特定词数或字符数限制后将该行拆分为多行？

原始DataFrame示例 #

data.frame(
  first_column  = 14569,
  second_column = "non consectetur a erat nam at lectus urna duis convallis convallis tellus id interdum velit laoreet id donec ultrices tincidunt arcu non sodales neque sodales ut etiam sit amet nisl purus in mollis nunc sed id semper risus in hendrerit gravida rutrum quisque non tellus orci ac auctor augue mauris augue neque gravida in fermentum et sollicitudin ac orci phasellus egestas tellus rutrum tellus pellentesque eu tincidunt tortor aliquam nulla facilisi cras fermentum odio eu feugiat pretium nibh ipsum consequat nisl vel pretium lectus quam id leo in vitae turpis massa sed elementum tempus egestas sed sed risus pretium quam vulputate dignissim suspendisse in est ante in nibh mauris cursus mattis molestie a iaculis at erat pellentesque adipiscing commodo elit at imperdiet dui accumsan sit amet nulla facilisi morbi tempus iaculis urna id volutpat lacus laoreet non curabitur gravida arcu ac tortor dignissim convallis aenean et tortor at risus viverra adipiscing at in tellus integer feugiat scelerisque varius morbi enim nunc faucibus a pellentesque sit amet porttitor eget dolor morbi non arcu risus quis varius quam quisque id diam vel quam elementum pulvinar etiam non quam lacus suspendisse faucibus interdum posuere lorem ipsum dolor sit amet consectetur adipiscing elit duis"
)

目标DataFrame格式 #

data.frame(
  first_column  = c("14569","14569","14569"),
  second_column = c("non consectetur a erat nam at lectus urna duis convallis convallis tellus id interdum velit laoreet id donec ultrices tincidunt arcu non sodales neque sodales ut etiam sit amet nisl purus in mollis nunc sed id semper risus in hendrerit gravida rutrum quisque non tellus orci ac auctor augue mauris augue neque gravida in fermentum et sollicitudin ac orci phasellus egestas tellus rutrum tellus pellentesque eu tincidunt tortor aliquam nulla facilisi cras fermentum odio eu feugiat pretium nibh ipsum consequat nisl vel pretium lectus quam" , "id leo in vitae turpis massa sed elementum tempus egestas sed sed risus pretium quam vulputate dignissim suspendisse in est ante in nibh mauris cursus mattis molestie a iaculis at erat pellentesque adipiscing commodo elit at imperdiet dui accumsan sit amet nulla facilisi morbi tempus iaculis urna id volutpat lacus laoreet non curabitur gravida arcu ac tortor dignissim convallis" , " aenean et tortor at risus viverra adipiscing at in tellus integer feugiat scelerisque varius morbi enim nunc faucibus a pellentesque sit amet porttitor eget dolor morbi non arcu risus quis varius quam quisque id diam vel quam elementum pulvinar etiam non quam lacus suspendisse faucibus interdum posuere lorem ipsum dolor sit amet consectetur adipiscing elit duis")
)

解决方案 #

可以通过R语言的dplyr、stringr和purrr包实现文本分割，将长文本按指定词数或字符数拆分为多行，同时保留原编号的对应关系。

1. 按词数分割 #

先加载所需工具包，定义分割函数后处理DataFrame：

library(dplyr)
library(stringr)
library(purrr)

# 原始数据
df <- data.frame(
  first_column  = 14569,
  second_column = "non consectetur a erat nam at lectus urna duis convallis convallis tellus id interdum velit laoreet id donec ultrices tincidunt arcu non sodales neque sodales ut etiam sit amet nisl purus in mollis nunc sed id semper risus in hendrerit gravida rutrum quisque non tellus orci ac auctor augue mauris augue neque gravida in fermentum et sollicitudin ac orci phasellus egestas tellus rutrum tellus pellentesque eu tincidunt tortor aliquam nulla facilisi cras fermentum odio eu feugiat pretium nibh ipsum consequat nisl vel pretium lectus quam id leo in vitae turpis massa sed elementum tempus egestas sed sed risus pretium quam vulputate dignissim suspendisse in est ante in nibh mauris cursus mattis molestie a iaculis at erat pellentesque adipiscing commodo elit at imperdiet dui accumsan sit amet nulla facilisi morbi tempus iaculis urna id volutpat lacus laoreet non curabitur gravida arcu ac tortor dignissim convallis aenean et tortor at risus viverra adipiscing at in tellus integer feugiat scelerisque varius morbi enim nunc faucibus a pellentesque sit amet porttitor eget dolor morbi non arcu risus quis varius quam quisque id diam vel quam elementum pulvinar etiam non quam lacus suspendisse faucibus interdum posuere lorem ipsum dolor sit amet consectetur adipiscing elit duis"
)

# 定义按词数分割的函数，可自定义每个片段的词数
split_by_words <- function(text, words_per_chunk = 50) {
  words <- str_split(text, "\\s+")[[1]]
  chunk_count <- ceiling(length(words) / words_per_chunk)
  map_chr(1:chunk_count, function(i) {
    start <- (i-1)*words_per_chunk + 1
    end <- min(i*words_per_chunk, length(words))
    paste(words[start:end], collapse = " ")
  })
}

# 拆分文本并展开行
df_split <- df %>%
  mutate(second_column = map(second_column, split_by_words)) %>%
  unnest(second_column)

2. 按字符数分割（保留完整单词） #

如果需要按字符数限制分割，同时避免拆分单词，可使用正则表达式实现：

# 定义按字符数分割的函数，可自定义每个片段的字符数
split_by_chars <- function(text, chars_per_chunk = 500) {
  # 在单词边界处分割文本，避免拆分单词
  str_split(text, paste0("(?<=\\W).{1,", chars_per_chunk, "}(?=\\W|$)"))[[1]] %>%
    str_trim() # 去除片段首尾的空白字符
}

# 按字符数分割处理数据
df_split_chars <- df %>%
  mutate(second_column = map(second_column, split_by_chars)) %>%
  unnest(second_column)

验证结果 #

处理完成后，df_split或df_split_chars会生成符合需求的DataFrame，原编号会重复对应每个拆分后的文本行，此时再用kable生成PDF表格就不会出现文本过长的问题。

内容的提问来源于stack exchange，提问作者Alokin