在R语言中如何删除不规则文本块中的昵称片段，仅保留评论内容？

适用场景 #

处理Comment字段中混杂用户昵称、评论、无固定分隔规则的爬取数据，目标是提取纯评论内容用于词云分析。

示例数据构造 #

你提供的可复现数据代码如下：

library(dplyr)
library(stringr)

df2 <- data.frame(Num = c(1,2,3), 
                  Comment = c('nick       comment12021.12.01      nickn comment2222021.12.02       nickname333       commennnnt222021.12.01', 
                              'nick       comment12021.12.01      nickn comment2222021.12.02       nickname333       commeeeent222021.12.01',
                              'nick       comment12021.12.01      nickn      comment2222021.12.02       nickname3333333       comment22021.12.01') )

方案1：基于固定格式标记提取（适配你给出的示例） #

你的示例中所有评论末尾都带有YYYY.MM.DD格式的固定日期标记，用正则匹配即可快速提取纯评论，可选是否保留日期：

保留评论末尾日期 #

df_clean <- df2 %>%
  mutate(comment_only = str_extract_all(Comment, "\\S+\\d{4}\\.\\d{2}\\.\\d{2}") %>%
           sapply(paste, collapse = " "))

不保留日期（更适合词云分析） #

df_clean <- df2 %>%
  mutate(comment_only = str_extract_all(Comment, "(\\S+)\\d{4}\\.\\d{2}\\.\\d{2}", group = 1) %>%
           sapply(paste, collapse = " "))

方案2：无固定标记时的处理方法 #

如果数据没有统一的结束标识，可以用两种方式处理：

• 提前收集爬取站点的用户昵称生成词库，用正则批量替换所有匹配到的昵称，剩余内容即为评论
• 回溯爬虫逻辑，动态网站的昵称和评论分属不同HTML节点，重新爬取分别抓取两个字段，准确率远高于事后清洗混杂文本

内容的提问来源于stack exchange，提问作者Yun