如何在R中读取含多行数据的格式混乱文本文件？

问题背景 #

我有一个含17列的data.txt文本文件，用R的read.table()读取时遇到问题：部分数据行因文本字段（如推文内容）包含换行符，被拆分成了多行，导致读取错位。当前使用的代码是：

read.table(file="data.txt", header = TRUE, sep = "\t", quote = "",comment.char="")

示例拆分的行如下：

10  Macron serait-il plus pro-salafiste que Hamon?!
t.co/g29oOgqih1

#Presidentielle2017 FALSE   0   NA  2017-03-02 13:45:08 FALSE   NA  837297724378726400  NA  <a href="https://about.twitter.com/products/tweetdeck" rel="nofollow">TweetDeck</a> Trader496   0   FALSE   FALSE   NA  NA

想问有没有办法把这类拆分的行读取为完整单行，是否必须用fill=TRUE参数？

解决方案：无需用fill=TRUE，优先合并拆分的行 #

fill=TRUE会填充缺失列，但本质是把拆分的行当成独立数据行，会导致数据错位，不是最优解。推荐两种方法：

方法1：预处理文件，合并字段内的换行

核心思路是：先读取所有行，通过制表符数量判断哪些行是字段内的拆分（17列对应16个制表符），将这些拆分的行合并成完整行后再读取。代码示例：

# 读取所有行
all_lines <- readLines("data.txt")
header_line <- all_lines[1]
data_lines <- all_lines[-1]

merged_data <- character(0)
current_row <- ""

for (line in data_lines) {
  # 统计当前行的制表符数量
  tab_num <- sum(strsplit(line, "")[[1]] == "\t")
  current_row <- paste0(current_row, line)
  
  # 当当前行的制表符数达到16（对应17列），则作为完整行保存
  if (tab_num >= 16) {
    merged_data <- c(merged_data, current_row)
    current_row <- ""
  }
}

# 处理最后一行可能的剩余内容
if (nchar(current_row) > 0) {
  merged_data <- c(merged_data, current_row)
}

# 读取合并后的完整数据
final_data <- read.table(text = c(header_line, merged_data), 
                         header = TRUE, sep = "\t", quote = "", comment.char = "")

方法2：使用readr包的read_tsv()函数

readr是tidyverse系列的包，其read_tsv()对字段内换行的处理更智能，无需手动预处理。安装并使用的代码：

install.packages("readr")
library(readr)

final_data <- read_tsv("data.txt", quote = "", comment = "", col_names = TRUE)

该函数会自动识别哪些换行属于字段内容，将拆分的行合并为完整数据行。

内容的提问来源于stack exchange，提问作者Night Fall