R语言如何按规则拆分文本章节生成对应命名data.frame

需求说明 #

现有包含ID、text两列的data.frame对象：

• text字段按章节划分，不同观测的章节设置不统一
• 章节识别规则：章节起始位置带罗马数字编号（I、II……），章节标题为全大写文本，章节正文以art或Art开头的条款起始
• 目标：按章节名（去除罗马数字编号，例如DO CAPITAL SOCIAL）拆分为独立data.frame，每个对象保留原ID列和对应章节的文本内容。

示例原始数据 #

df <- structure(list(ID = c("56456", "1234564565921"), text = c("TÍTULO II

OBJETIVOS

Art. 2  A Cooperativa terá por objetivo a educação cooperativista e financeira dos seus associados, através da ajuda mútua, da economia sistemática e do uso adequado do crédito. Procurará, ainda, e por todos os meios, fomentar a expansão do Cooperativismo de economia e crédito mútuo.

¶ Único Em todos os aspectos de suas atividades, serão rigorosamente observados os princípios de neutralidade política e indiscriminação religiosa, racial e social.
|
TÍTULO III

DAS ASSEMBLÉIAS GERAIS

Art. 3  O número de associados será ilimitado, mas não poderá ser inferior a 20 (vinte).
|
Art. 4  Poderão associar-se à Cooperativa todos aqueles que, tendo livre disposição de pessoas e bens, concordem com o presente Estatuto, preencham as condições nele estabelecida e sejam empregados dahuiljl S/A, citada no Art. 1, letra C.

TÍTULO IV
DO CAPITAL SOCIAL
Art. 21 – Texto grande aqui para parecer que tem coisa, deveria ter pego algo de outro lugar para dar esse exemplo", 
"IV 
DO CAPITAL SOCIAL
Art. 21 – O Capital Social é ilimitado quanto ao máximo e variável, conforme o número de quotas-partes subscritas, não podendo, porém, o valor ser inferior à R$ 5.000,00 (cinco mil reais).
Parágrafo 1º – O Capital Social é dividido em quotas-partes de R$ 1,00(um real) cada uma, integralizável em duas parcelas de 50% (cinqüenta por cento) cada, em moeda corrente nacional, a primeira no ato da subscrição e a segunda em até um ano após a primeira.
Parágrafo 2º – O associado ao ingressar na cooperativa se obriga a subscrever, 300 (trezentas) quotas-partes.


 V DAS ASSEMBLÉIAS GERAIS
Art. 22 – A Assembléia Geral dos associados é o órgão supremo da Cooperativa, e dentro dos limites da lei e deste estatuto, tomará toda e qualquer decisão de interesse da sociedade, e suas deliberações vinculam a todos, ainda que ausentes ou discordantes.
Art. 23 – A Assembléia Geral será normalmente convocada e dirigida pelo Presidente da Cooperativa.
Parágrafo 1º - Poderá, também, ser convocada pelo Conselho de Administração ou pelo Conselho Fiscal, se ocorrerem motivos graves ou urgentes, ou por 1/5 (um quinto) dos associados em pleno gozo de seus direitos sociais, após solicitação não atendida, comprovadamente, num prazo máximo de 5 (cinco) dias.
"
)), row.names = 1:2, class = "data.frame")

预期输出示例 #

DOCAPITALSOCIAL <- structure(list(ID = c("56456", "1234564565921"), text = c("
Art. 21 – Texto grande aqui para parecer que tem coisa, deveria ter pego algo de outro lugar para dar esse exemplo", 
"Art. 21 – O Capital Social é ilimitado quanto ao máximo e variável, conforme o número de quotas-partes subscritas, não podendo, porém, o valor ser inferior à R$ 5.000,00 (cinco mil reais).
Parágrafo 1º – O Capital Social é dividido em quotas-partes de R$ 1,00(um real) cada uma, integralizável em duas parcelas de 50% (cinqüenta por cento) cada, em moeda corrente nacional, a primeira no ato da subscrição e a segunda em até um ano após a primeira.
Parágrafo 2º – O associado ao ingressar na cooperativa se obriga a subscrever, 300 (trezentas) quotas-partes.   
"
)), row.names = 1:2, class = "data.frame")

实现代码 #

之前用str_extract匹配失败核心是正则没有兼容两种章节开头格式（带TÍTULO前缀、直接罗马数字开头），也没有处理葡萄牙语的重音大写字符，用下面的代码可以直接实现需求：

library(stringr)
library(dplyr)

# 章节匹配正则：兼容带TÍTULO前缀、直接罗马数字开头两种格式，适配葡语重音字符
chapter_reg <- "(?<=^|\\n)\\s*(?:T[IÍ]TULO\\s+)?([IVXLCDM]+)\\s*\\n+([A-ZÇÃÁÉÍÓÚÂÔÊ\\s]+?)\\s*\\n+(?=[Aa]rt\\.)"

# 单条文本拆分章节函数
split_single_text <- function(doc_id, raw_text) {
  match_pos <- str_locate_all(raw_text, chapter_reg)[[1]]
  if (nrow(match_pos) == 0) return(NULL)
  match_content <- str_match_all(raw_text, chapter_reg)[[1]]
  
  # 提取章节名、起止位置
  chapter_names <- str_remove_all(match_content[,3], "\\s+")
  text_start <- match_pos[,2] + 1
  text_end <- c(text_start[-1] - 1, nchar(raw_text))
  
  # 逐段提取正文
  chapter_df <- lapply(seq_along(chapter_names), function(i) {
    part_text <- str_sub(raw_text, start = text_start[i], end = text_end[i]) %>% str_trim()
    data.frame(ID = doc_id, chapter = chapter_names[i], text = part_text)
  }) %>% bind_rows()
  return(chapter_df)
}

# 批量处理所有文档
all_chapters <- lapply(1:nrow(df), function(i) split_single_text(df$ID[i], df$text[i])) %>% bind_rows()

# 按章节拆分生成独立数据框到全局环境
chapter_dfs <- split(all_chapters, all_chapters$chapter)
list2env(lapply(chapter_dfs, function(x) x[,c("ID", "text")]), envir = .GlobalEnv)

运行后全局环境会直接生成OBJETIVOS、DASASSEMBLÉIASGERAIS、DOCAPITALSOCIAL三个独立数据框，结构和预期完全一致。

内容的提问来源于stack exchange，提问作者RxT