r - 从向量中删除带有标签的数据

Question

我有一个包含 html 标签的字符串向量，例如

  abc<-""welcome <span class=\"r\"><a href=\"abc\">abc</a></span> Have fun!""

我想删除这些标签并获得以下矢量

例如

       abc<-"welcome Have fun"

Answer 1

尝试

> gsub("(<[^>]*>)","",abc)

这说的是'用任何不是>的任何东西替换<的每个实例，直到一个>，什么都没有”

你不能这样做gsub("<.*>","",abc)，因为正则表达式是贪婪的，并且 .* 会匹配你文本中的最后一个 > （并且你会在你的例子中失去'abc'）。

如果您的标签中有 >，此解决方案可能会失败 - 但是否<foo class=">" >合法？毫无疑问，有人会想出另一个答案，涉及使用重量级 XML 包解析 HTML。

Answer 2

htmlParse您可以使用或将您的 HTML 片段转换为 XML 文档 htmlTreeParse。然后，您可以将其转换为文本，即用 . 去除所有标签xmlValue。

abc <- "welcome <span class=\"r\"><a href=\"abc\">abc</a></span> Have fun!"
library(XML)
#doc <- htmlParse(abc, asText=TRUE)
doc <- htmlTreeParse(abc, asText=TRUE)
xmlValue( xmlRoot(doc) )

如果您还想删除链接的内容，可以使用xmlDOMApplyXML 树进行转换。

f <- function(x) if(xmlName(x) == "span") xmlTextNode(" ") else x
d <- xmlDOMApply( xmlRoot(doc), f )
xmlValue(d)