Question

我有一大堆HTML文件，其中包含来自节点span中杂志的文本。我的PDF到HTML转换器在整个HTML中插入了字符实体 。问题是在R中，我使用xmlValue函数（在XML包中）来提取文本，但只要有 ，就会消除单词之间的空格。例如：

<span class="ft6">kids,&nbsp;and kids in your community,&nbsp;in                                   DIY&nbsp;projects.&nbsp;</span>

将来自xmlValue函数：

"kids,and kids in your community,in DIYprojects."

我认为解决此问题的最简单方法是在通过 运行span个节点之前找到所有xmlValue，并将其替换为" "（空间）。我该怎么做？

Answer 1

我重写了答案，以反映原始海报无法从XMLValue获取文字的问题。可能有不同的方法来解决这个问题，但一种方法是直接打开/替换/编写HTML文件本身。通常使用正则表达式处理XML / HTML是一个坏主意，但在这种情况下，我们有一个直接的问题，即不需要的不间断空格，所以它可能不是太大的问题。以下代码是如何创建匹配文件列表并对内容执行gsub的示例。根据需要修改或扩展应该很容易。

setwd("c:/test/")
# Create 'html' file to use with test
txt <- "<span class=ft6>kids,&nbsp;and kids in your community,&nbsp;in                                   DIY&nbsp;projects.&nbsp;</span>
<span class=ft6>kids,&nbsp;and kids in your community,&nbsp;in                                   DIY&nbsp;projects.&nbsp;</span>
<span class=ft6>kids,&nbsp;and kids in your community,&nbsp;in                                   DIY&nbsp;projects.&nbsp;</span>"
writeLines(txt, "file1.html")

# Now read files - in this case only one
html.files <- list.files(pattern = ".html")
html.files

# Loop through the list of files
retval <- lapply(html.files, function(x) {
          in.lines <- readLines(x, n = -1)
          # Replace non-breaking space with space
          out.lines <- gsub("&nbsp;"," ", in.lines)
          # Write out the corrected lines to a new file
          writeLines(out.lines, paste("new_", x, sep = ""))
})

R中的HTML字符实体替换

1 个答案: