用於匹配R中各種類型編號列表的正則表達式

Question

我有一組文件，其中包含（可能）不同種類的有序列表。我想將任何列表實例摺疊爲段落文本，並將＃除去。即

1. Hello 
(a) world 
ii) 3000 
This isn't in the list. 

將成爲：

Hello world 3000. 
This isn't in the list. 

我也可以想像情況下，這將是有用的這樣的列表中提取到一個單獨的[R對象（例如，我們可能要考慮一個文本，創建列表列表存儲每個列表項目）。 （即，假設併發列表項目在同一列表中，則以前的項目將成爲列表中的3個項目）。

這樣做的一些指導Pythonhere但我想知道如何操縱這樣的名單在R。

到目前爲止，我的嘗試是非常粗略的，例如，建築上的無序列表情況gsub("(\r?\n|\r)\\*", " ", stri1)

Answer 1

如果您在讀取該文件作爲一個字符串，可以解決與

txt = "1. Hello\r\n(a) world\r\nii) 3000\r\nThis isn't in the list." 
txt = gsub("(?m)[\r\n]*^(?:\\d+(?:\\.\\d+)*|\\(?[a-z]+\\))\\s+", " ", txt, perl=T) 
lst = strsplit(txt, "\r?\n") 

輸出：

> txt 
[1] "1. Hello world 3000\r\nThis isn't in the list." 
> lst 
[[1]] 
[1] "1. Hello world 3000"  "This isn't in the list." 

的正則表達式是

(?m)[\r\n]*^(?:\d+(?:\.\d+)*|\(?[a-z]+\))\s+ 

請參閱regex demo

的(?m)力^匹配線開始位置，[\r\n]*零個或多個\n或\r字符，(?:\d+(?:\.\d+)*|\(?[a-z]+\))匹配任一整數或用點，或用封閉和任選(和強制性)一個或多個字母數字分離匹配。 \s+匹配一個或多個空白符號。 如果字母/羅馬數字可以是大寫，請用(?m)替換爲(?mi)。