如何使用R解析html字符串？

Question

如何从这个html字符串grep数据项

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

这样结果是100％？主要思想是在＆gt;之间获取数据。 ＆LT;

Answer 1

在这种情况下我会使用gsub()：

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

基本上，这会将字符串分成三部分，每部分用常规括号(和)分隔。然后我们可以将它们用作反向引用。与第一组反向引用匹配的内容可以称为\1（使用双斜杠来转义特殊字符），第二组匹配的内容\2等等。

所以，基本上，我们说要解析这个字符串，找出符合我条件的内容，并只返回第二个反向引用。

一块一块：

• <.*>说找一个“＆lt;”然后是任意数量的任何字符“。*”直到你进入“＆gt;”
• .*表示匹配任意数量的字符（直到下一个条件）

记住这一点，你实际上可能会使用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删除HTML标记：

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

给出：

[1] "100%"

与mrdwab的不同之处在于我只是从html标签中删除每个html标签及其摘录内容，这可能更适合此示例。如果有更多标签，请注意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"

我认为我曾在SO上找到它，不知道答案是什么。