使用GSUB

我的HTML代码中的R类似下面的部分中的R卸下HTML代码：使用GSUB

"</a> <img src=\"images/arrow_orange.gif\" width=\"8\" height=\"12\"> <a href=\"group.php?g=1\">XXXX</a> <img src=\"images/arrow_orange.gif\" width=\"8\" height=\"12\"> <a href=\"category.php?c=100050\">YYYY</a> <img src=\"images/arrow_orange.gif\" width=\"8\" height=\"12\"> <a href=\"category.php?c=100050&brand=Motorola\">ZZZZ</a> <img src=\"images/arrow_orange.gif\" width=\"8\" height=\"12\">AAAA"

我想使用GSUB以除去不想要的HTML代码，以便输出将是：

XXXX YYYY ZZZZ AAAA

我试过<([A-Z][A-Z0-9]*)\b[^>]*>(.*?)</\1>如图所示here但是失败了，为什么？

我该如何在R中做到这一点？谢谢。

来源

2011-08-14 lokheart

它可能是清洁提取使用'XML'库从HTML代码名称和'xPath'查询。如果你发布了一个包含html代码的网页的链接，那么有很多人可以向你提供关于如何提取所需信息的指针。 – Ramnath

要小心... http://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-tags – Iterator

这个问题和其他应该合并？ http://stackoverflow.com/questions/7057374/remove-anything-within-a-pair-of-parenthesis-using-gsub-in-r – Iterator

我建议你留意@Ramnath和@Iterator的警告和使用解析器来代替，但这里是我可以用你的字符串和regex做到最好：

（加上一个失踪后，你的输入字符串）

x <- "</a> <img src=\"images/arrow_orange.gif\" width=\"8\" height=\"12\"> <a href=\"group.php?g=1\">XXXX</a> <img src=\"images/arrow_orange.gif\" width=\"8\" height=\"12\"> <a href=\"category.php?c=100050\">YYYY</a> <img src=\"images/arrow_orange.gif\" width=\"8\" height=\"12\"> <a href=\"category.php?c=100050&brand=Motorola\">ZZZ</a> <img src=\"images/arrow_orange.gif\" width=\"8\" height=\"12\">AAAA</a>"

代码：

x1 <- gsub("<([[:alpha:]][[:alnum:]]*)(.[^>]*)>([.^<]*)", "\\3", x) 
x1 
[1] "</a> XXXX</a> YYYY</a> ZZZ</a> AAAA</a>" 

gsub("</a>", "", x1) 
[1] " XXXX YYYY ZZZ AAAA"

来源

2011-08-14 18:28:25 Andrie

否'perl = TRUE'？如果我不在我的R正则表达式函数中使用它，我总觉得我生活得很危险。 – Iterator

可悲的是我不是perl一代，所以我总是使用'perl = FALSE'。个人喜好，我想... – Andrie

回答

相关问题