R：文本挖掘学习笔记1 - tm Package

1. 文件读取和查看

DirSource()

Corpus()

inspect()

tm 提供五种资源读取的方式：

> getSources()
[1] "DataframeSource" "DirSource"       "URISource"       "VectorSource"    "XMLSource"    

仅就.txt文件而言，学习初期常用的是直接从文件夹中读取：  DirSource()

DirSource() 读取文件夹下所有文件的路径，然后用 Corpus() 读取所有文件路径和路径下的内容，并构造语料库。

Corpus() 的结果是建立一个类似于matrix的Corpus集合，一个文件名对应一个文档内容，可用下标对文件进行查看。

Corpus() 赋值给一个变量以后，比如赋值给“docs”，输入 docs 或者 docs[1] 这种subset模式无法直接查看文档内容，必须要用到 inspect() 函数进行文本查看。

-+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+-

2. 语料库的预处理

removeNumbers()

removePunctuation()

removeWords()

stemDocument()

stripWhitespace()

tm_map()