string - 从R中的字符串中删除html标签

Question

我正在尝试将网页源代码读入R并将其作为字符串处理。我正在尝试删除段落并从段落文本中删除html标签。我遇到了以下问题:

我尝试实现一个功能来删除html标签:

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，但不是所有标签，下面的字符串是一个失败的示例:

test="junk junk<a href=\"/wiki/abstraction_(mathematics)\" title=\"abstraction (mathematics)\"> junk junk"

目标是获得:

cleanFun(test)="junk junk junk junk"

但是，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，但是我找不到涉及这些的解决方案。

Answer 1

这可以通过正则表达式和grep系列简单地实现:

cleanFun <- function(htmlString) {
  return(gsub("<.*?>", "", htmlString))
}

这也将与同一字符串中的多个html标签一起使用!

这将在htmlString中找到模式<.*?>的任何实例，并将其替换为空字符串“”。 ？ .*?中的代码会使它变得非贪婪，因此，如果您有多个标签(例如<a> junk </a>)，它将匹配<a>和</a>而不是整个字符串。