コーパスを作成するためにテキストファイルを分割するR

Question

私は100の記事でテキストファイルを持っています。各記事の末尾には、の文書と、それに続くのスペースと、の英数字が続きます。英数字は25文字です。

4つの記事がどのように終了するかの例。英数字には設定パターンがありません。

• ドキュメントAFNR000020161206ecc700006
• ドキュメントTEKMET0020161202ecc200008
• ドキュメントAFNR000020161130ecc10001o
• ドキュメントAFNR000020161127ecbs00018

Rおよび分割テキストファイル内のテキストファイルを読むために私のコード

textfile <- "Text.txt" 
TextData <-readLines(textfile) 
head(TextData) 
length(TextData) 

nchar(TextData) 
TextData = strsplit(TextData, "<Document>" "[a-zA-Z0-9]") 

strsplitを使って分割を作成しました文書番号：

私はコーパスを作成することができます分割したら：

library(tm) 
doc.vec <- VectorSource(TextData) 
corpusDoc <- Corpus(doc.vec) 
summary(corpusDoc) 

は、それはあなたのデータはどのように見えるかを完全には明らかではないが、それはただ1つの長い文字列と「ドキュメントの英数字コードであると仮定すると、あなたに

Answer 1

ありがとうございました「テキストの残りの部分に沿って、次のように動作するはずです：問題はあなたが01で正規表現を定義された方法でだったよう

# mock data 
TextData <- "Lorem ipsum dolor sit amet, consectetur adipiscing elit. Nullam egestas sapien eu leo rutrum, non commodo metus auctor. Quisque id libero quis augue bibendum auctor sed vel odio. Aliquam quam odio, maximus vitae elit at, pharetra volutpat nulla. Nam iaculis mattis lectus, sit amet euismod neque ornare consectetur. Cras nec nibh sit amet massa laoreet tempor sit amet in sem. Sed pulvinar sapien risus, molestie cursus augue rhoncus sed. Donec ullamcorper tellus vel tortor finibus pretium. Sed non tristique nisi. Document AFNR000020161206ecc700006 Vestibulum quis risus pulvinar elit blandit faucibus sed et massa. Phasellus non arcu vulputate, aliquam felis sit amet, pellentesque lorem. Praesent ut felis pellentesque, tincidunt risus imperdiet, vehicula ante. Donec odio sapien, vulputate sed semper at, pharetra sit amet dui. Fusce aliquam ullamcorper nunc in ullamcorper. Suspendisse vitae ex aliquam turpis vestibulum semper at ut quam. Interdum et malesuada fames ac ante ipsum primis in faucibus. Nam varius, risus sed feugiat mollis, nunc urna hendrerit mi, eu cursus erat mi quis ligula. Maecenas sit amet sagittis tellus. Donec ultricies faucibus ipsum id mattis. Ut lacinia, diam nec dignissim vestibulum, nibh augue tincidunt dolor, eu dictum felis augue in elit. Sed et scelerisque felis. Document TEKMET0020161202ecc200008 Aenean ut erat mattis, convallis orci eget, tincidunt massa. Integer dictum in erat et ornare. Donec et cursus eros. Aenean condimentum erat in lacus dictum, ac convallis tortor venenatis. Donec luctus dapibus aliquam. Maecenas et ipsum ac lacus convallis luctus. Phasellus volutpat risus sit amet volutpat vestibulum. Vestibulum eu elit sed massa imperdiet congue id interdum odio. Document AFNR000020161130ecc10001o Proin et accumsan nisi. Suspendisse tempus accumsan mollis. Integer aliquam fermentum consequat. Nunc sit amet suscipit tellus, in fringilla diam. Nulla rutrum elit nec blandit varius. Praesent vehicula nibh orci, nec facilisis sem vulputate non. Cras vel ipsum eleifend, vulputate ante congue, facilisis ligula. Integer ac mollis nibh. Ut vitae lacus eget mauris ultrices iaculis non eget diam. Praesent placerat lorem id ante maximus cursus. Ut quis lacus nec turpis tincidunt sagittis lacinia at tortor. Cras vitae posuere diam. Maecenas ut convallis lacus, in commodo neque. Sed rhoncus cursus arcu, nec pharetra odio lacinia quis. Sed nec neque libero. Etiam sit amet purus eros. Document AFNR000020161127ecbs0001" 

# split on desired string 
TextData <- strsplit(TextData, "Document [a-zA-Z0-9]{25}") 

# if you want it as a vecotr 
TextData <- unlist(TextData) 

らしいです機能。