使用R语言tm包构建语料库时遇错误求助

错误原因 #

你构建语料库时调用了DataframeSource(df)，但原始的df仅包含text和dates两个字段，缺少DataframeSource要求的必填字段doc_id，因此触发字段匹配失败的错误。而你实际已经准备好符合要求的df.tm（包含doc_id和text），只是最后一行代码传错了数据集。

解决步骤 #

• 将最后一行的df替换为你预先处理好的df.tm
• 可选验证：执行names(df.tm)确认输出为[1] "doc_id" "text"，确保列名完全符合要求

修正后的关键代码片段 #

# 从评论文本创建语料库（修正后）
corpus <- VCorpus(DataframeSource(df.tm))

完整修正代码 #

library(tidyverse)
library(rvest)
########################################## 
# WEB SCRAPING FROM SCHOLARLYKITCHEN.COM #
##########################################

# 创建循环迭代获取页面链接（测试用小范围循环）
output <- character()
for (i in 1:2) { 
  
  article.links <- paste0("https://scholarlykitchen.sspnet.org/archives/page/", i ,"/") %>%
    read_html() %>%
    html_nodes(".list-article__title") %>%
    html_nodes("a") %>% 
    html_attr("href")
  
  output <- c(output, article.links) 
  
}

# 获取评论内容
get.comments <- function(output) {
  article.page <- read_html(output)
  article.comments <- article.page %>% html_nodes(".comment") %>% html_text() %>% trimws(which = "both")
  return(article.comments)
}

text <- sapply(output, FUN = get.comments, USE.NAMES = FALSE)

# 获取评论日期
get.dates <- function(output) {
  article.page <- read_html(output)
  article.comments <- article.page %>% html_nodes(".comment__meta__date") %>% html_text() %>% trimws(which = "both")
  return(article.comments)
}

dates <- sapply(output, FUN = get.dates, USE.NAMES = FALSE)

# 构建分析用数据集
df <- tibble(
    text = unlist(text, recursive = TRUE), 
    dates = unlist(dates, recursive = TRUE)
)

# 日期格式转换
df$dates <- as.character(gsub(",","",df$dates))
df$dates <- as.Date(df$dates, "%B%d%Y")


###################
# TOPIC MODELLING #
###################
library(tm)
library(topicmodels)

# 构建主题建模专用数据集（包含doc_id和text）
df.tm <- df[-2] 
df.tm$doc_id <- row.names(df) 
df.tm <- df.tm[c(2,1)] 

# 从评论文本创建语料库（已修正）
corpus <- VCorpus(DataframeSource(df.tm))

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