如何将复杂的文本文档转换为单个字符串

Question

我有一个手稿，并希望使用正则表达式从中提取所有引用。处理来自手稿的测试样本时，我开发了一个正则表达式-参见此处：Regex in R: How to extract citations from manuscript。它可以完美地在名为samp的示例上运行：

str_extract_all(samp, "\\([A-Za-z][^)]*\\d{4};|;\\s[A-Za-z][^)]*\\d{4}\\)|\\([A-Za-z][^)]*\\d{4}.*?\\)|\\b[A-Z][a-z].*\\([^A-Za-z)]\\w.*?\\)|\\b[A-Z][a-z].*\\(forthcoming\\)|\\b[A-Z][a-z].*\\(in preparation\\)|\\([A-Za-z][^);]*\\d{4}|(?<=;\\s)[A-Za-z][^);]*\\d{4}")

但是：正则表达式不能在实际的手稿上很好地工作（显然，手稿比示例大，并且可能具有比示例更复杂的内部结构），因为与示例不同，我无法将手稿转换成单个连贯的字符串。

我试图以此方式阅读文档：

read.table([my path], header = F,  sep = "\n", fill = F, stringsAsFactors = F, strip.white = T)

而且我已经使用paste将其融合在一起：

paste0(manuscript$V1, collapse = "")

但是结果对象仍然具有内部分隔，以防止正则表达式在整个文档中无缝运行。

那么，如何以构成单个不间断字符串的方式]读入或后期处理？>？

非常感谢您提供有关此问题的帮助。

我有一个手稿，并希望使用正则表达式从中提取所有引用。在手稿上测试样本的过程中，我开发了一个正则表达式-参见此处：R中的正则表达式：如何提取引文...

Answer 1

我们可以使用readLines来获取文件内容作为行列表，然后我们将其折叠为单个不间断的字符串。