如何用R提取文本各段落首句并保留原有段落结构？

R 语言提取段落首句实现方案 #

首先明确默认分隔规则，你可以根据自己的文本格式调整规则：

• 段落分隔：默认以连续2个及以上换行符作为段落边界
• 句子分隔：默认以中文句号。、感叹号！、问号？，或英文./!/?作为句子结束标记

显式Loop实现（符合你的需求） #

# 替换为你自己的输入文本
input_text <- "这是第一段的第一句话。这是第一段的第二句话，后面还有更多内容。

这是第二段的开头，也就是我们要提取的首句？第二段剩下的内容不需要提取。

第三段的第一句在这里。第三段还有其他内容，全部忽略。"

# 步骤1：拆分原始文本为独立段落
paragraphs <- unlist(strsplit(input_text, split = "\\n\\s*\\n"))
# 拆分规则适配两个换行中间有空白字符的排版场景

# 步骤2：初始化结果存储向量
first_sentences <- c()

# 步骤3：遍历每个段落提取首句
for (p in paragraphs) {
  # 匹配第一个句子结束标记的位置
  end_pos <- regexpr("[。！？.!?]", p)[1]
  if (end_pos == -1) {
    # 段落无结束标记时直接取整段
    first_sent <- p
  } else {
    # 提取从开头到结束标记的完整首句
    first_sent <- substr(p, 1, end_pos)
  }
  first_sentences <- c(first_sentences, first_sent)
}

# 步骤4：拼接为首句各成独立段落的结果
output_text <- paste(first_sentences, collapse = "\n\n")

# 打印输出结果
cat(output_text)

运行上述代码得到的输出如下：

这是第一段的第一句话。

这是第二段的开头，也就是我们要提取的首句？

第三段的第一句在这里。

规则调整说明 #

• 如果你的文本段落用单个换行分隔，把拆分的split参数改为\\n即可
• 如果需要避免英文缩写（比如Mr.）的误判，可以调整正则匹配逻辑增加缩写场景过滤
• 处理大文本时可以用purrr包的向量化操作替换loop，运行效率更高：

library(purrr)
first_sentences <- map_chr(paragraphs, function(p) {
  end_pos <- regexpr("[。！？.!?]", p)[1]
  ifelse(end_pos == -1, p, substr(p, 1, end_pos))
})

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