如何在R中从多份Word文档批量提取引号内容并解决多引号匹配错误问题

问题原因 #

你当前使用的正则逻辑存在匹配错位：(?<=").*?(?=")会按顺序捕获所有前后为双引号的片段，第一个引号对的右引号会被识别为下一次匹配的左引号边界，因此会误捕获两个独立引号对之间的非引用内容。

修正代码 #

只需修改提取引号部分的逻辑，先匹配完整的双引号包裹片段，再去除首尾的双引号即可：

library(readtext)
library(stringr)

#' 存储文章的文件夹路径
path <- "articles"

#' 读取所有docx文件
mydata <-
  readtext(paste0(path, "\\*.docx")) 

#' 替换弯引号为直引号
mydata$text <- gsub("/’", "/'", mydata$text, ignore.case = TRUE)
mydata$text <- gsub("[“”]", "\"", gsub("[‘’]", "'", mydata$text))

#' 提取引号内容：先匹配完整引号对，再去除首尾引号
result <- stringi::stri_extract_all_regex(str = mydata$text, pattern = '"[^"]*"')
result <- lapply(result, function(x) gsub('^"|"$', '', x))

效果验证 #

修改后第一份文档的输出结果为：
[[1]]
[1] "We got him and he is healthy,"
[2] "I adore tigers"
符合预期提取要求。

如果需要同时提取单引号包裹的内容，只需将正则改为["'][^"']*["']即可。

内容的提问来源于stack exchange，提问作者adkane