以自定义的方式读取数据

现在我们回头看看本节最开始遇到的那个问题。解决方法和水果例子完全相同，找到
模式，然后分组。
首先，看一下原始数据中典型的一行：
2014-02-01,09:20:29,Ken,James,Hey, how are you?
显然，每一行都具有相同的格式，也就是日期、时间、发送者、接收者、信息，并且
用逗号隔开。唯一特殊的是逗号可能出现在信息中，而我们不希望代码把信息中的逗号解
释为分隔符。
注意到，和前面的例子一样，正则表达式可以完美地达成这个目标。想要表达相同模
式下的一个或更多符号，只需在识别模式后面加上一个加号（+）。举个例子："\d+"表示
一个字符串中包含一个或者更多“0”到“9”之间的数字字符。例如“1”、“23”、“456”
都匹配这个模式，而“word”不符合。在某些情况中，一个模式可能出现，也可能完全不
出现。那么我们需要将*放在识别模式符号后面，以标记这个特殊模式可能出现一次或更多
次，或者完全不出现，从而匹配更大范围的文本。
言归正传，我们需要在典型行中识别出一个足够一般的模式。我们想出如下分组模式：
(\d+-\d+-\d+),(\d+:\d+:\d+),(\w+),(\w+),\s*(.+)
现在，我们使用 readLines( )导入原始数据，就像在水果例子中所做的那样：
messages <- readLines("data/messages.txt")
然后，找出能够表达目标文本和信息的模式：
pattern <- "^(\\d+-\\d+-\\d+),(\\d+:\\d+:\\d+),(\\w+),(\\w+),\\s*(.+)$"
matches <- str_ _match(messages, pattern)

messages_df <- data.frame(matches[, -1])
colnames(messages_df) <- c("Date", "Time", "Sender", "Receiver", "Message")
这个模式看起来像一些密码。别担心，这就是正则表达式，而且如果你完成了前面的
例子，就会对它的含义有所理解。
正则表达式完美地完成了任务。message_df 文件的结构如下：
messages_df
## Date Time Sender Receiver Message
## 1 2014-02-01 09:20:25 James Ken Hey, Ken!
## 2 2014-02-01 09:20:29 Ken James Hey, how are you?
## 3 2014-02-01 09:20:41 James Ken I'm ok, what about you?
## 4 2014-02-01 09:21:03 Ken James I'm feeling excited!
## 5 2014-02-01 09:21:26 James Ken What happens?
我们使用的模式就像一把钥匙。任何正则表达式应用中最难的部分就是寻找这把钥匙。
一旦得到了它，就能够打开那道门，并从混乱的文本中尽可能多地提取需要的信息。一般
来说，寻找钥匙的难度很大程度上依赖于正例和反例的差异大小。如果差异足够明显，那
么少量符号就可以解决问题。如果差异很微小，又有许多特殊情况，如同现实世界中的大
多数问题，此时，需要更多的经验，努力思考并多次尝试，最终找到解决方法。
通过前面的例子，你应该已经领会了正则表达式的思想。其实，不需要深入地理解它是如
何工作的，但熟悉相关的函数，不论是内置函数，还是特定包内的函数，都是百利而无一害的。
如果想要深入学习，RegexOne （http://regexone.com/）是一个非常好的交互式基础学习场
所。想要学习更多特定案例和完整的识别符号，这个网页（http://www.regular-expressions.info/）
是一个很好的参考。想要寻找解决问题的好模式，可以浏览RegExr （http://www.regexr.com/）
在线交互式地测试不同的模式。