如何在R中导入格式不规整的TXT文件并规整数据列

我来帮你搞定这个数据导入的问题，你的TXT文件存在两个关键问题：一是每条完整记录被拆分成了两行，二是最后的文本内容没有用逗号和前面字段分隔，而且文本里的单引号会干扰字段识别。下面是一步步的处理方案：

1. 读取并合并拆分的记录 #

首先把文件所有内容读进R，然后把每两行合并成一条完整的记录：

# 读取文件所有行
raw_lines <- readLines("your_file.txt")
# 合并相邻两行：第1+2行、第3+4行...组成完整记录
merged_lines <- paste(raw_lines[seq(1, length(raw_lines), 2)], 
                      raw_lines[seq(2, length(raw_lines), 2)], 
                      sep = "")

2. 修复字段分隔与引号冲突 #

接下来用正则表达式调整格式，把最后一段文本变成标准的带引号字段，同时处理文本内的单引号避免识别错误：

# 第一步：在最后一个时间字段和文本之间添加逗号+单引号，给文本补末尾单引号
fixed_lines <- gsub("'(\\d{2}:\\d{2}:\\d{2})'\\s*(.*)$", "'\\1', '\\2'", merged_lines)
# 第二步：把文本里的单引号替换成双单引号，让read.csv正确识别为文本内容
fixed_lines <- gsub("(?<=')([^']*)'(?=[^']*')", "\\1''", fixed_lines, perl = TRUE)

简单解释下正则逻辑：

• 第一个替换：精准匹配最后一个时间字段（比如'12:14:03'），然后在它后面插入, '，把后面的文本包裹成合法的带引号字段。
• 第二个替换：把文本内的单引号（比如Don't里的'）转成双单引号''，这是CSV格式里表示文本内单引号的标准方式，避免R把它当成字段结束符。

3. 导入为结构化数据框 #

现在把修复后的内容导入成数据框，还可以给列起个易懂的名字：

# 用textConnection把处理后的字符向量作为文本源读取
df <- read.csv(text = fixed_lines, header = FALSE, quote = "'", stringsAsFactors = FALSE)
# 给列命名（可选，根据你的需求调整）
colnames(df) <- c("RecordID", "StatusFlag", "ExperimentPath", "MLPModel", "RecordDate", "RecordTime", "ContentText")

验证结果 #

运行head(df)就能看到处理后的效果，每条记录的7个字段都会正确对应到数据框的列：

head(df)
#   RecordID StatusFlag ExperimentPath                          MLPModel RecordDate RecordTime               ContentText
# 1   111001          1 C:\Users\dicelab\Desktop\mar\ExPart1_C1.exp default.mlp  10/3/2017   12:14:03 Don't drop out of school.
# 2   121002          1 C:\Users\dicelab\Desktop\mar\ExPart1_C1.exp default.mlp  10/3/2017   14:04:13 he should finish his degree!

这个方法能批量处理任意数量的记录，不用手动修改每条数据~

内容的提问来源于stack exchange，提问作者Marble