从'＆lt;'中提取文字和'＆gt;'

Question

我在html文件中的span标记内有一些文本

我需要提取它，我到目前为止尝试了这个但它似乎不起作用：

HTML：

"<span id=\"MainContent_lblGenAssessment\">$866,250</span></dd>"

我试过了：

gsub(x = "<span id=\"MainContent_lblGenAssessment\">$866,250</span></dd>"r,pattern = ">(.*?)<",replacement = "\\1")

但它似乎无用，我如何提取866,250？

编辑：它必须使用默认的R库，我无法安装任何软件包。

Answer 1

正确的方法是使用解析器解析HTML，如下所示：

library(rvest)
x %>% read_html() %>% html_text()
# [1] "$866,250"

如果必须使用正则表达式进行操作（非常糟糕的主意，如果它是针对大量数据的话，或者很难检查结果，例如在程序设计中用法），你可以用：

sub('.*>([^<]+)<.*', '\\1', x)
# [1] "$866,250"

如果span标记位于更多HTML的中间，则您必须添加更多正则表达式以进行指定。

正则表达式寻找

• 任何字符.重复0次或更多次*，
• 后跟>
• 后跟一个捕获组( ... )
  • 包含[^ ... ]以外的任何字符
    • a <
  • 重复一次或多次+
• 后跟<
• 后跟任何字符.重复0次或更多次*，

并将其替换为第一个捕获的组\\1。

Answer 2

试试这个：

([\d,]*)<\/span>

假设您要提取的每个号码都在<span>标记

中