[Nettoyer un texte avec R] Supprimer les sauts de ligne, balises HTML, espaces et plus #R #text #clean #datacleansing

clean_text.R

clean_text <- function(text){
  
  #Retrait du saut de ligne \n
  text <- gsub("\n"," ",text)
  
  #Retrait des URLs
  text <- gsub('http\\S+\\s*',"",text)
  
  #Retrait des espaces en trop
  text <- gsub("\\s+"," ",text)
  
  #Retrait des backslash "\"
  text <- gsub("[\\]","",text)
  
  #Retrait des espaces en fin de texte
  text <- gsub("\\s*$","",text)
  
  #Harmonisation du text - passage en minuscule
  text <- tolower(text)
  
  #Retrait des balises HTML
  text <- gsub("<.*?>", "",text)
  
  #Retrait de la ponctuation, remplacé par un espace pour ne pas coller les mots
  text <- gsub("[[:punct:]]", " ",text)
  
  #Retrait des valeurs numériques
  text <- gsub("\\d+","",text)
  
  #Retrait des lignes  
  text <- gsub("[[:blank:]]+$","",text)

}


#Compter les mots dans une phrase
wordcount <- function(str) {
  sapply(gregexpr("\\b\\W+\\b", str, perl=TRUE), function(x) sum(x>0) ) + 1 
}