如何将文档中的某些单词提取到R中的数据帧中？

编辑：可复制的示例（我希望我做得对）：

我继续使用

as.character（docs[1]）

创建了一个字符串，以确保再现性：

“列表（内容=c）（\”姓名：生日（MM/DD）：打印日期：学生ID：机构ID：页码：\”，\“\”，\”我的姓名我的生日2015年6月16日N111111 002785 1/1\”，“\”，“我不想要的字符串，\”，“我不想要的更多东西”，“我不想要的东西”，“班级名称”，“我不想要的班级编号和部分”，“，“，”当前累计\“，\“\”，\“AHRS（不想要）\”，“12.012.0（不想要）\”，“EHRS（想要这个）\”，“12.012.0\”，“QHRS（不想要）\”，“12.012.0\”，“QPTS（不想要）\”，“不想要”，“45.900 45.900\”，“GPA\”，“3.825 3.825\”，“2015年春季”，“毕业记录表”，等等，“，”元记录表“，“，“毕业记录表”（author=NULL，datetimestamp=NULL，description=NULL，heading=NULL，id=\“非官方2015年6月拷贝2.pdf\”，语言=\“en\”，origin=NULL））“

我想从这个混乱中摆脱出来的只是ID号（本例中为N111111）、学期（2014年秋季和2015年春季）、EHR后的数字（12.0 12.0，各在其列中）和GPA后的数字（3.825 3.825，各在其列中）

---

我有来自学术成绩单的文本数据，需要放入数据框进行分析。我已将成绩单pdf转换为文本，但现在我需要数据框中的某些信息。具体而言，我需要以下列中的数据：

学生ID、秋季1当前学时、秋季1累计学时、秋季1当前GPA、春季1当前学时、春季1累计学时、春季1当前GPA、春季1累计GPA、夏季1当前学时、夏季1累计学时、夏季1当前GPA、夏季1累计GPA

等等，每学期学生都留在大学

学时数来自EHR，没有列出夏季课程的情况被视为0当前学时、0当前gpa，累积学时和gpa与之前的春季相同

到目前为止，我已经使用tm库将pdf转换为文本，并有以下示例成绩单：

---

docs这是我在文档看起来相似时使用的一种策略。如果文档完全相同，则可以跳过大部分grep（），使用直接引用（例如，txt[1]）来找到要解析的信息的位置

提取策略：


使用
grep
标识目标行。使用锚定
^
或
$
效果很好
一旦确定了目标行，使用strsplit

将其分解为所需的元素。重复上一步

尽可能使用直接引用（

txt[1]

）或正则表达式（

txt[grep（“GPA”，txt）]

）

以您喜欢的任何方式解析和重新格式化

阅读线

txt <- readLines(con=textConnection(
'Student Name MM/YY 06/16/2015 N11111111 002785 1 of 1

Name of University Beginning of Graduate Record

Fall 2014 Name of School Master of Science Major: Major

Name of Class 1 Name of Class 2 Name of Class 3 Name of Class 4

COURSE+SECTION 3.0 B+ COURSE+SECTION 3.0 A COURSE+SECTION 3.0 A COURSE+SECTION 3.0 A

Current Cumulative

AHRS 12.0 12.0

EHRS 12.0 12.0

QHRS 12.0 12.0

QPTS 45.900 45.900

GPA 3.825 3.825

Spring 2015

Name of School Master of Science Major: Major

Name of Class 1 Name of Class 2 Name of Class 3

COURSE+SECTION 2.0 A COURSE+SECTION 2.0 A COURSE+SECTION 2.0 A-

Name of Class 4 COURSE+SECTION 2.0 A

Name of Class 5

COURSE+SECTION 2.0 A-

Name of Class 6 COURSE+SECTION 4.0 A

Name of Class 7

COURSE+SECTION 3.0 B+

Name of Class 8

COURSE+SECTION

3.0 A

Current Cumulative

AHRS 20.0 32.0

EHRS 20.0 32.0

QHRS 20.0 32.0

QPTS 76.700 122.600

GPA 3.835 3.831

End of Graduate Record'))

---

txt您使用的是
tm
软件包，但实际上我认为
readLines
+
grep
+
strsplit
将是一个更合适的策略。无论哪种方式，您都需要为我们提供一个可复制的示例。我对这方面非常陌生，我刚刚尝试通过转换语料库文档来创建一个可复制的示例t转换为字符串。它比较混乱，但至少是可复制的，希望如此。如果这仍然不太正确，请道歉。
as.character
对可复制性没有帮助；
dput
会更好。谢谢！这基本上是有效的！一个问题，第一行id有效，但第二行返回我的列表（）.在做
id和另一个问题时，有没有办法自动执行readLines函数，这样我就不必复制和粘贴每个文档？有几千个这样的文档，并且inspect（文档[2]）是无效的文本参数1。
grep（“^[N]，id）
不返回任何内容。2.您应该将此作为一个单独的问题提问，并提供一个可复制的示例（虚拟数据可以）。
# trim of http://stackoverflow.com/questions/2261079/whitespace-in-r
trim <- function (x) gsub("^\\s+|\\s+$", "", x)
txt <- trim(txt)
# Drop empties
txt <- txt[txt != ""]

id <- strsplit(txt[1], " ")
id <- id[grep("^[N][0-9]",id)] # Starts with N followed by 0-9

gpa <- txt[grep("GPA",txt)]
gpa <- strsplit(gpa, " ")
gpa <- matrix(
  as.numeric(
    t(
      as.data.frame(gpa)
      )[1:2, 2:3]
    ),ncol = 2)