R语言如何删除语料库中Disclosure前及Conclusion后的所有文本

你可以通过tm包的自定义内容转换功能，配合正则匹配完成区间截取，操作如下：

1. 编写自定义文本处理函数 #

我们先写一个函数，实现单个文本的截取逻辑：如果文本同时存在Disclosure和Conclusion两个关键词，就保留两个关键词之间的内容，否则保留原文避免报错。

# 需先加载stringr包处理正则，没有安装的话先运行 install.packages("stringr")
library(stringr)

trim_text_by_keywords <- function(text) {
  # 正则匹配Disclosure和Conclusion之间的所有内容，(?s)是让.可以匹配换行符
  matched <- str_extract(text, "(?s)(?<=Disclosure).*?(?=Conclusion)")
  # 如果匹配不到内容就返回原文，避免空值
  ifelse(is.na(matched), text, matched)
}

2. 将函数应用到整个语料库 #

用tm_map结合content_transformer把自定义函数应用到每一条语料：

corp <- tm_map(corp, content_transformer(trim_text_by_keywords))

补充说明 #

• 如果你的文档里关键词存在大小写变体（比如小写disclosure、全大写CONCLUSION），可以在str_extract里添加regex(, ignore_case = TRUE)参数，调整后的匹配语句为：
  matched <- str_extract(text, regex("(?s)(?<=Disclosure).*?(?=Conclusion)", ignore_case = TRUE))
• 如果你需要保留Disclosure和Conclusion两个关键词本身，只需要调整正则的位置匹配规则即可，修改匹配语句为：
  matched <- str_extract(text, "(?s)Disclosure.*?Conclusion")

内容的提问来源于stack exchange，提问作者Fredyonge