用R去做文本处理

• 数据说明

这是一份爬好的数据，data.frame格式。包括一些招聘信息，具体的列名和含义如下所示：

• 职位名称（occ_name）清洗

• 预览

• 清洗策略

1. 需要去除无关的信息，比如符号以及数字信息

• 实现

z <- read.csv('zhaopin.csv')
z$occ_name <- gsub('[^\u4E00-\u9FA5]','',z$occ_name)

• 工资（salary）清洗

• 预览

• 清洗策略

1. 去除除了数字以外的其他符号
2. 能够输出工资的区间的，可能需要分列

• 实现

z$salary <- gsub('[^0-9-]','',z$salary)
library(tidyr)
z <- separate(data = z,col = salary,into = c('salary_L','salary_H'),sep = '-')
z$salary_L <- as.numeric(z$salary_L)
z$salary_H <- as.numeric(z$salary_H)

• 招募人数

• 预览

• 清洗策略

1. 保留数字

• 实现

z$recruiting_num <- as.numeric(gsub('[^0-9]','',z$recruiting_num))

• 岗位信息（occ_position）清洗

• 预览

• 清洗策略

1. 斜杠线去除
2. 保留中文

• 实现

z$occ_position <- gsub('[^\u4E00-\u9FA5]','',z$occ_position)

• 岗位需求（occ_descip）清洗

• 预览

• 清洗策略

1. 去除空格
2. 去除制表符，换行符等

• 实现

z$occ_descrip <- gsub('[[:cntrl:] [:space:]]','',z$occ_descrip)

• 公司地址（company_address）清洗

• 预览

• 清洗策略

1. 去除空格
2. 去除换行符

• 实现

z$company_address <- gsub('[[:cntrl:] [:space:]]','',z$company_address)

• 清洗结果展示