从R中的字符串中删除html标记
从R中的字符串中删除html标记
提问于 2013-06-21 11:33:55
我正在尝试将网页源代码读取到R中，并将其处理为字符串。我试着去掉段落，去掉段落文本中的html标签。我遇到了以下问题：
我尝试实现一个函数来删除html标记：
cleanFun=function(fullStr)
{
#find location of tags and citations
tagLoc=cbind(str_locate_all(fullStr,"<")[[1]][,2],str_locate_all(fullStr,">")[[1]][,1]);
#create storage for tag strings
tagStrings=list()
#extract and store tag strings
for(i in 1:dim(tagLoc)[1])
{
tagStrings[i]=substr(fullStr,tagLoc[i,1],tagLoc[i,2]);
}
#remove tag strings from paragraph
newStr=fullStr
for(i in 1:length(tagStrings))
{
newStr=str_replace_all(newStr,tagStrings[[i]][1],"")
}
return(newStr)
};这适用于某些标签，但不适用于所有标签，以下字符串为失败的示例：
test="junk junk<a href=\"/wiki/abstraction_(mathematics)\" title=\"abstraction (mathematics)\"> junk junk"目标是获得：
cleanFun(test)="junk junk junk junk"然而，这似乎不起作用。我认为这可能与字符串长度或转义字符有关，但我找不到涉及这些字符的解决方案。
回答 7
Stack Overflow用户
回答已采纳
发布于 2013-06-21 11:49:31
这可以简单地通过正则表达式和grep系列来实现：
cleanFun <- function(htmlString) {
return(gsub("<.*?>", "", htmlString))
}这也适用于同一字符串中的多个html标签！
这将在htmlString中查找模式<.*?>的任何实例，并将其替换为空字符串"“。那个？in .*?使它不贪婪，所以如果你有多个标签(例如<a> junk </a>)，它将匹配<a>和</a>而不是整个字符串。
Stack Overflow用户
发布于 2015-12-18 05:54:09
您也可以使用rvest包中的两个函数来执行此操作：
library(rvest)
strip_html <- function(s) {
html_text(read_html(s))
}输出示例：
> strip_html("junk junk<a href=\"/wiki/abstraction_(mathematics)\" title=\"abstraction (mathematics)\"> junk junk")
[1] "junk junk junk junk"Stack Overflow用户
发布于 2013-06-21 22:54:44
另一种方法是在内部使用XML的tm.plugin.webmining。
> library(tm.plugin.webmining)
> extractHTMLStrip("junk junk<a href=\"/wiki/abstraction_(mathematics)\" title=\"abstraction (mathematics)\"> junk junk")
[1] "junk junk junk junk"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/17227294
复制相关文章
相似问题