时间戳

首页 > 解决方案 > ocr : 解开在行尾剪切的单词并保留段落

r - ocr : 解开在行尾剪切的单词并保留段落

问题描述

我有一个字符串向量。向量的每个元素都对应于一行 ocerized 文本。每行的最后一个单词可以被破折号（或不被）剪切并继续下一行，即向量的下一个元素。

text <- c("Lorem ipsum dolor sit am-",
     "et consectetur adipis-",
     "cing Quisque euismod, ex vel -aliquam- vestibulum",
     "Nulla lacinia volutpat ipsum sed condimentum")

我想要的是：在保持段落中文本布局的同时重构被删减的单词。

Lorem ipsum dolor sit amet 
consectetur adipiscing
Quisque euismod, ex vel -aliquam- vestibulum
Nulla lacinia volutpat ipsum sed condimentum

我不想要什么：

Lorem ipsum dolor sit amet consectetur adipiscing Quisque euismod, ex vel -aliquam- vestibulum Nulla lacinia volutpat ipsum sed condimentum

我做了什么：我将向量的行转换为数据数组，因为我认为 dplyr 包中的函数（领先和滞后）可能对我有用。

textdf <- as.data.frame((text))


library(dplyr)
textdf  <- textdf %>%
rename( text = '(text)')

我认为应该做什么：如果字符串以破折号结尾，则选择下一行的第一个单词，删除破折号并剪切并粘贴该行末尾的单词。

library(stringr)
 textdf  <- textdf %>%
 mutate(text = str_replace(text, "-$", lag("^.+\\s")))

标签： rdplyrstringr

解决方案

这是一种方法 -

library(dplyr)

data.frame(text) %>%
         #The word end with "-"
  mutate(cut_word = grepl('-$', text), 
         #Remove the last "-"
         text = sub('-$', '', text), 
         #If cut_word get 1st word from next value and paste it in current value.
         text = ifelse(cut_word, paste0(text, stringr::word(lead(text), 1)), text), 
         #Remove the first word if previous value has cut_word.
         text = ifelse(lag(cut_word, default = FALSE), sub('.*?\\s', '', text), text)) %>%
  select(-cut_word)

#                                          text
#1                   Lorem ipsum dolor sit amet
#2                       consectetur adipiscing
#3 Quisque euismod, ex vel -aliquam- vestibulum
#4 Nulla lacinia volutpat ipsum sed condimentum

推荐阅读