如何将非规整单栏多行文本文件读取为R语言整洁数据框

我来帮你搞定这个棘手的问题！这种变量缺失、值还可能跨两行的非结构化文本，确实没法靠行号来读取，但用R的tidyverse工具链就能轻松解决，一步步来：

第一步：读取并预处理文本 #

首先把整个文件读成一个完整字符串，彻底解决跨行值的问题：

library(tidyverse)

# 替换成你的数据文件路径
raw_text <- read_file("your_data_file.txt")

# 把所有换行符换成空格，让跨行的变量值变成连续内容
raw_text <- str_replace_all(raw_text, "\\n", " ")

第二步：拆分出每条独立记录 #

每条记录都以RecordID:开头，我们用正则的正向预查来分割文本，确保分割后的每个元素都是一条完整记录：

# 按"RecordID:"分割，同时保留每个记录的开头标识
records <- str_split(raw_text, "(?=RecordID:)")[[1]]

# 清理可能存在的空字符串元素
records <- records[records != ""]

第三步：提取键值对并转成宽格式 #

写个小函数处理单条记录：用正则匹配所有变量名: 值的键值对，再把长格式的键值对转成一行的宽格式，缺失的变量会自动填充NA：

# 处理单条记录的工具函数
process_single_record <- function(record) {
  # 正则匹配所有键值对：精准捕获"变量名: 值"，直到下一个变量名或文本结尾
  key_value_pairs <- str_match_all(record, "(\\w+):\\s*(.+?)(?=\\s+\\w+:|$)")[[1]]
  
  # 转换成数据框并转成宽格式
  tibble(
    key = key_value_pairs[, 2],
    value = key_value_pairs[, 3]
  ) %>%
    pivot_wider(names_from = key, values_from = value)
}

# 批量处理所有记录并合并成最终的数据框
tidy_data <- map_dfr(records, process_single_record)

第四步：转换变量类型（可选但推荐） #

现在数值型变量还是字符串格式，我们把它们转换成数值类型：

tidy_data <- tidy_data %>%
  mutate(across(c(VariableA, VariableB, VariableC), as.numeric))

这样处理完，你就能得到完全符合需求的整洁数据框——缺失的变量显示NA，所有记录整齐排列，完美解决你的问题！

内容的提问来源于stack exchange，提问作者Jacek Kotowski