在R中仅移除部分换行符：解决文本解析的数据结构异常问题

这个问题我之前处理访谈类文本时也踩过一模一样的坑！核心问题在于你一开始把所有换行都当成了不同发言的分隔符，但那些嵌入在评论里的换行其实属于同一条发言内容，得先把这些假换行和前面的评论合并，只保留真正分隔不同发言的换行——也就是那些对应着「发言者:」开头的换行。

下面给你两种实用的解决思路，你可以根据需求选择：

方法一：合并嵌入换行后再拆分 #

适合想要把评论里的换行换成空格，让评论变成单行的场景：

library(readr)
library(dplyr)
library(tidyr)

# 第一步：把整个文本文件读成单个完整字符串（不要按行拆分）
full_text <- read_file("textfile.txt")

# 第二步：用正则替换嵌入的换行
# 逻辑：匹配所有「后面不紧跟发言者+冒号」的换行，把它们换成空格
# 若发言者名字带空格（比如"John Doe:"），可把 \\S+: 改成 [^:\n]+:
clean_text <- gsub("\n(?!\\S+:)", " ", full_text, perl = TRUE)

# 第三步：按真正的发言分隔符（换行）拆分，再转成数据框拆分列
text_df <- tibble(X1 = str_split(clean_text, "\n")[[1]]) %>%
  separate(X1, into = c("speaker", "comment"), sep = ": ", extra = "merge")

方法二：直接按发言开头拆分（保留评论里的换行） #

如果想要保留评论中原有的换行格式，这个方法更合适：

library(readr)
library(dplyr)
library(tidyr)
library(stringr)

# 第一步：读取完整文本字符串
full_text <- read_file("textfile.txt")

# 第二步：按「换行+发言者:」的位置拆分，直接得到完整的发言块
# 正则 (?=\\S+:)\n 表示「匹配换行符，且换行后紧跟发言者+冒号」，只在这个位置拆分
speech_blocks <- str_split(full_text, "(?=\\S+:)\n")[[1]]

# 第三步：拆分发言者和评论，extra = "merge" 确保评论里的冒号不会被误拆分
text_df <- tibble(X1 = speech_blocks) %>%
  separate(X1, into = c("speaker", "comment"), sep = ": ", extra = "merge")

关键参数解释 #

• read_file()：和read_delim不同，它会把整个文件读成一个字符串，不会提前按换行拆分，这是处理嵌入换行的基础。
• 正则里的(?!\\S+:)是负向先行断言，用来识别那些不属于新发言开头的换行；(?=\\S+:)是正向先行断言，用来定位真正的发言分隔位置。
• separate里的extra = "merge"：如果你的评论里不小心出现了冒号，这个参数会把冒号后面的所有内容都归到comment列，避免拆分出错。

举个简单例子，假设你的原文本是：

Interviewer: How are you?
I'm fine, thanks.
And you?
Respondent: I'm good too.

用原来的方法会把中间两行当成独立的发言，导致speaker列出现无效内容、comment列出现NA；用上面的方法处理后，会得到两行有效数据：

内容的提问来源于stack exchange，提问作者J.Sabree