如何在R中提取文本里两个唯一短语之间的多个段落

方法1：使用stringr包处理（推荐，逻辑直观） #

library(stringr)

# 示例文本，你可以替换为自己读入的文本内容
text <- "text I do not want 

A:paragraph1

paragraph2

B:text I do not want

A:paragraph3

paragraph4

B:text I do not want"

# 提取所有A:到下一个B:之间的内容，自动忽略A:和B:本身
matched_segs <- str_extract_all(text, "(?<=A:)([\\s\\S]*?)(?=B:)")[[1]]

# 去掉所有空白/换行，拼接段落，再按要求首字母大写、用逗号分隔不同块
processed <- paste0(gsub("\\s+", "", matched_segs), collapse = ",")
result <- str_replace_all(processed, "paragraph", "Paragraph")

print(result)
# 输出结果：[1] "Paragraph1Paragraph2,Paragraph3Paragraph4"

方法2：base R无依赖实现 #

不需要安装第三方包，用基础函数就能实现：

matched_segs <- regmatches(text, gregexpr("(?<=A:)([\\s\\S]*?)(?=B:)", text, perl = TRUE))[[1]]
processed <- paste0(gsub("\\s+", "", matched_segs), collapse = ",")
result <- gsub("paragraph", "Paragraph", processed)
print(result)

如果你已经按行读取为行向量 #

如果之前已经用readLines把文本读成了每行一个元素的向量，可以用下面的逻辑处理：

# 假设lines是你已经按行读取得到的向量
lines <- readLines(textConnection(text))

# 定位所有A:和B:所在的行号
a_loc <- which(startsWith(lines, "A:"))
b_loc <- which(startsWith(lines, "B:"))

# 逐段提取A:到B:之间的内容
seg_list <- mapply(function(a, b) {
  seg_content <- lines[a:(b-1)]
  seg_content <- gsub("^A:", "", seg_content)
  seg_content <- seg_content[seg_content != ""]
  paste0(seg_content, collapse = "")
}, a_loc, b_loc)

# 拼接为最终结果
result <- paste0(gsub("paragraph", "Paragraph", seg_list), collapse = ",")

正则逻辑说明 #

• (?<=A:) 是正向回顾断言，只匹配前面紧跟A:的位置，不会把A:本身计入提取结果
• [\\s\\S]*? 匹配任意字符（包括换行符），非贪婪模式保证只匹配到最近的下一个B:就停止
• (?=B:) 是正向前瞻断言，只匹配后面紧跟B:的位置，不会把B:本身计入提取结果

内容的提问来源于stack exchange，提问作者Foulball