使用带有起始和停止字的substr，而不是整数
使用带有起始和停止字的substr，而不是整数
提问于 2019-05-23 04:45:20
我想从下载的html-Code中提取信息。html-Code以字符串的形式给出。所需的信息被存储在特定的html表达式之间。例如，如果我想要字符串中的每个标题，我必须搜索"H1>“和"/H1>”以及这两个html表达式之间的文本。
到目前为止，我使用了substr()，但我必须首先计算"H1>“和"/H1>”的位置。
htmlcode = " some html code <H1>headline</H1> some other code <H1>headline2</H1> "
startposition = c(21,55) # calculated with gregexpr
stopposition = c(28, 63) # calculated with gregexpr
substr(htmlcode, startposition[1], stopposition[1])
substr(htmlcode, startposition[2], stopposition[2])输出是正确的，但计算每个单独的开始和停止位置是大量的工作。相反，我搜索了一个类似的函数，比如substr ()，在这个函数中，您可以使用开始和结束字来代替位置。例如:函数(htmlcode，startword = "H1>"，stopword = "/H1>")
回答 1
Stack Overflow用户
发布于 2019-05-23 05:36:17
这里有两个选项。首先，使用专门为解析HTML结构而开发的包，例如rvest。有许多在线教程。
其次，对于可能需要从不一定是格式良好的HTML的字符串中提取的边缘情况，您应该使用正则表达式。其中一个更简单的实现来自于stringr::str_match
# 1. the parenthesis define regex groups
# 2. ".*?" means any character, non-greedy
# 3. so together we are matching the expression <H1>some text or characters of any length</H1>
str_match(htmlcode, "(<H1>)(.*?)(</H1>)")这将产生一个矩阵，其中的列(按顺序)是完全匹配的字符串，后面是我们指定的每个独立的正则表达式组。在这种情况下，如果您想要<H1>标记之间的任何文本(第3列)，您只需要拉出第二组。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/56264764
复制相关文章
相似问题