regex - 如何使用 R 解析 html 字符串？

Question

如何从此 html 字符串中 grep 数据项

a <- "<div class=\"tst-10\">100%</div>"

所以结果是100％？主要思想是在> <之间获取数据。

Answer 1

我会gsub()在这种情况下使用：

gsub("(<.*>)(.*)(<.*>)", "\\2", a)
[1] "100%"

基本上，这会将字符串分成三个部分，每个部分由正则括号(和). 然后我们可以使用这些作为反向引用。第一组反向引用匹配的内容可以称为\1（使用双斜杠转义特殊字符），第二组匹配的内容，\2依此类推。

所以，本质上，我们说的是解析这个字符串，找出符合我的条件的内容，然后只返回第二个反向引用。

一点一点：

• <.*>表示查找“<”，后跟任意数量的任意字符“.*”，直到找到“>”
• .*表示匹配任意数量的字符（直到下一个条件）

牢记这一点，您实际上可能会使用gsub("(.*>)(.*)(<.*)", "\\2", a)并获得相同的结果。

Answer 2

我总是使用这个正则表达式来删除 HTML 标签：

gsub("<(.|\n)*?>","",a)

给出：

[1] "100%"

与 mrdwab 的不同之处在于我只是删除了每个 html 标记，而他从 html 标记中提取内容，这可能更适合本示例。请注意，如果有更多标签，两者都会给出不同的结果：

> gsub("(<.*>)(.*)(<.*>)", "\\2", paste(a,"<lalala>foo</lalala>"))
[1] "foo"

> gsub("<(.|\n)*?>","", paste(a,"<lalala>foo</lalala>"))
[1] "100% foo"

我想我曾经在这里找到它，不确定哪个答案。