如何在R中使用strsplit拆分议会演讲文本，提取发言者与内容

我有一段包含议会演讲的文本数据（示例如下），希望用strsplit函数生成包含每位发言者及其对应演讲内容的数据框，预期输出格式也已给出，但尝试的代码没有得到预期结果，请求帮助。我有可用的发言者列表，且是R语言新手。

示例文本数据 #

df <- "MEHMET ALİ ÇELEBİ (İzmir) – Teşekkürler Sayın Başkan.

26-30 Haziran Özel Güvenlik Görevlileri Haftası’ndayız, kutluyorum.

Bugün ülkemizde 350 bini aşkın özel güvenlik görevlimiz esnek ve güvencesiz çalışmanın en ağır koşullarına muhataptır.

Bir: Maaş, özlük hakları, çalışma şartları ve risk tazminatları iyileştirilmelidir. İki: Görev tanımı dışında çalıştırılmaları engellenmelidir. Üç: Yıpranma hakkı, ödüllendirme, şehit ve gazilik talepleri karşılanmalıdır. Dört: Onlara yönelik yeni bir işçi sağlığı ve iş güvenliği düzenlemesi yapılmalıdır. Beş: Adli vakalarda avukat desteği verilmelidir. Altı: Taşeronda değil, çalıştıkları kurum bünyesinde istihdam edilmelidirler. Yedi: Belediye şirketlerine geçen özel güvenliklerimizin iş kollarının belirsizliği giderilmelidir. “Özel güvenlik her yerde, görmezden gelme!” diyorum, yüce Meclisi saygıyla selamlıyorum. 

BAŞKAN – Sayın Sazak… 

METİN NURULLAH SAZAK (Eskişehir) – Teşekkürler Başkanım.

Türk sinemasının değerli ismi, Eskişehirli hemşehrim Cüneyt Arkın’a Allah’tan rahmet; ailesine, sevenlerine sabırlar dilerim. Türk sinemasının başı sağ olsun. Cüneyt Arkın, oynamış olduğu filmlerde, Türk tarihinin önemli kahramanlarını gençliğe sevdirmiş; sadece sinemada değil, yaşadığı hayatta da duruşuyla takdir toplamıştır. Ruhu şad, mekânı cennet olsun. 

BAŞKAN – Sayın Aycan…

SEFER AYCAN (Kahramanmaraş) – Sayın Başkan, şehirlerimiz büyümektedir; bu nedenle de yeni imar planlarına, imar bölgelerine ihtiyaç doğmaktadır.

Sağlıklı şehirleşme, imar planı doğrultusunda alt yapısı tamamlanarak yeni imar bölgeleri oluşturmaktan geçmektedir; kentsel dönüşüm, sağlıklı şehirleşme ve güvenli bina için de buna ihtiyaç vardır. Şehrim Kahramanmaraş’ın merkezi de konut ihtiyacı açısından tıkanmıştır, yeni imar planına ihtiyacı vardır. Güneyi tarım arazileridir; buralara zarar vermemek, imara kapamak gerekmektedir.

Diğer taraftan, eski mahallelerde kentsel dönüşüm zorunlu hâle gelmiştir; bu nedenle, eski mahallelerde, özellikle Dulkadiroğlu bölgesinde kentsel dönüşümün teşvik edilmesi, kart sayısının 2’den 4’e hatta 6 veya 8 katlara çıkarılması gerekmektedir. Kahramanmaraş’ta kentsel dönüşüm teşvik edilmelidir; böylece, yeniden şehirleşme sağlanmalıdır; böylece, şehrin merkezinde konut ihtiyacı karşılanmış olacaktır.

Saygılarımla."

预期输出 #

#      [Speaker]                            [text]                           
# [1,] "MEHMET ALİ ÇELEBİ"                  "Teşekkürler Sayın Başkan. 26-30 Haziran..."
# [2,] "METİN NURULLAH SAZAK"               "Teşekkürler Başkanım. Türk sinemasının..."   
# [3,] "SEFER AYCAN"                       "Sayın Başkan, şehirlerimiz büyümektedir..."

尝试的代码（未得到预期结果） #

pat <- r"{(?>=\p{Lu}+?\s?)+\(?\p{Lu}+\)?\K(:)|(?<!\w)(\s)(?=\p{Lu}{2,})}"
tmp <- trimws(el(strsplit(df, pat, perl=TRUE)))[-1]
res <- matrix(tmp, ncol=2, byrow=TRUE)
res

既然你已有发言者列表，我们可以利用它精准分割文本，避免复杂正则的匹配问题，以下是适合新手的实现步骤：

步骤1：定义发言者列表 #

假设你的发言者列表为：

speakers <- c("MEHMET ALİ ÇELEBİ", "METİN NURULLAH SAZAK", "SEFER AYCAN")

步骤2：构造分割正则表达式 #

匹配发言者名称 + (地区) – 的开头模式，作为分割标识：

# 为每个发言者生成匹配规则，例如 "MEHMET ALİ ÇELEBİ \\(.*?\\) – "
split_pattern <- paste0("(?<=\\n|^)", speakers, " \\(.*?\\) – ", collapse = "|")

步骤3：分割文本并整理成数据框 #

# 分割文本，perl=TRUE 支持正向预查以保留分割逻辑
split_text <- strsplit(df, split_pattern, perl = TRUE)[[1]]

# 移除开头的空字符串（因为文本从第一个发言者开始）
split_text <- split_text[-1]

# 生成最终数据框：替换换行符为空格，去除首尾多余空格
result_df <- data.frame(
  Speaker = speakers,
  Text = trimws(gsub("\\n+", " ", split_text))
)

# 查看结果
print(result_df)

无发言者列表的替代方案 #

如果需要临时从文本中提取发言者，可先用正则匹配：

# 提取所有符合格式的发言者名称
speakers_extracted <- stringr::str_extract_all(df, "^[A-ZÜİÖĞŞÇ\\s]+(?= \\(.*?\\) – )", simplify = TRUE)[,1]
speakers_extracted <- trimws(speakers_extracted)

# 之后重复步骤2-3即可

运行上述代码后，会得到符合预期的结构，Text列会将原文本的换行符替换为空格，保持内容连贯。

内容的提问来源于stack exchange，提问作者noetherlaw