基于tidytext/tm/quanteda的瑞士法律引用正则匹配需求

我来帮你搞定瑞士法律引用的文本挖掘任务，核心是写出符合需求的正则表达式，然后完成筛选和统计操作。

第一步：理解需求与正则设计 #

你的文本已经做了tolower和removePunctuation处理，所以所有内容都是小写无标点的。我们需要的正则要满足：

• 匹配单个瑞士法律条款（Art.1-67），中间可以包含合法层级（abs x、lit x、satz x）
• 最终指向指定法典（比如MedBG）
• 排除包含多个条款、无关内容或其他法典的引用

针对处理后的文本，我设计了这个正则：

# 匹配MedBG的Art.1-67，支持中间合法层级
regex_medbg <- "\\bart (?:[1-9]|[1-5]\\d|6[0-7])(?:\\s+(abs\\s+\\d+|lit\\s+[a-z]|satz\\s+\\d+))*\\s+medbg\\b"

正则解释：

• \\b：单词边界，避免匹配类似art123或medbgxyz的无效内容
• art ：匹配处理后的条款前缀（原Art.变成art）
• (?:[1-9]|[1-5]\\d|6[0-7])：匹配1-67的数字（非捕获组）
• (?:\\s+(abs\\s+\\d+|lit\\s+[a-z]|satz\\s+\\d+))*：零个或多个合法层级（abs+数字、lit+小写字母、satz+数字），非捕获组
• \\s+medbg：匹配法典名称

用你的测试集验证（先处理成小写无标点）：

lawCitation_processed <- c("art 1 medbg","art 42 abs 2 und 100 abs 1 medbg","art 1 abs 1 lit a medbg","art 36 abs 1 lit b medbg","art 1 satz 2 bgg und abs 1 lit a lit b","art 22 totally random number 21 medbg")
grepl(regex_medbg, lawCitation_processed)
# 返回：TRUE FALSE TRUE TRUE FALSE FALSE

如果只想匹配Art.1，把正则中的数字部分换成1即可：

regex_art1_medbg <- "\\bart 1(?:\\s+(abs\\s+\\d+|lit\\s+[a-z]|satz\\s+\\d+))*\\s+medbg\\b"
grepl(regex_art1_medbg, lawCitation_processed)
# 返回：TRUE FALSE TRUE FALSE FALSE FALSE（完全符合你的预期）

第二步：筛选含指定引用的文档 #

用dplyr::filter结合正则筛选文档：

library(dplyr)

# 筛选包含MedBG合法引用的文档
filtered_docs <- docs_tidy %>%
  filter(grepl(regex_medbg, text))

第三步：统计每个文档的引用次数 #

我们可以用stringr::str_extract_all提取所有匹配的引用，再分组统计：

统计具体引用的次数（含层级）

library(stringr)
library(tidyr)

citation_details <- filtered_docs %>%
  # 提取每个文档中所有匹配的引用
  mutate(citation_matches = str_extract_all(text, regex_medbg)) %>%
  # 展开成每行一个引用
  unnest(citation_matches) %>%
  # 按文档id和引用内容分组统计次数
  group_by(id, citation_matches) %>%
  summarise(citation_count = n(), .groups = "drop") %>%
  # 按文档和次数排序
  arrange(id, desc(citation_count))

按条款聚合统计（忽略中间层级）

如果想把同一条款的不同层级引用合并统计（比如art 1 medbg和art 1 abs 1 lit a medbg都算Art.1的引用）：

citation_by_article <- citation_details %>%
  # 提取条款号
  mutate(article_number = str_extract(citation_matches, "(?<=art )\\d+")) %>%
  # 按文档和条款号分组统计总次数
  group_by(id, article_number) %>%
  summarise(total_citations = sum(citation_count), .groups = "drop") %>%
  arrange(id, desc(total_citations))

可选：处理带标点的文本 #

如果你的预处理没有完全去掉标点（比如保留了.），可以用这个兼容版本的正则：

regex_medbg_with_punct <- "\\bart\\.?\\s+(?:[1-9]|[1-5]\\d|6[0-7])(?:\\s+abs\\.?\\s+\\d+|\\s+lit\\.?\\s+[a-z]|\\s+satz\\s+\\d+)*\\s+medbg\\b"

内容的提问来源于stack exchange，提问作者captcoma