Question

我想从一段html代码中删除所有下标，但下标“rep”除外。

例如，字符串"ti(10) = 23, prep=.2"应该变为："t(10) = 23, prep=.2"

我正在尝试这样的事情：

txt <- "t<sub>i</sub>(10) = 23, p<sub>rep</sub>=.2"
gsub(pattern="<sub>(?!rep).*</sub>",replacement="",txt,perl=TRUE)

但问题是这行代码删除了html文件中第一个和最后一个之间的所有内容 ...

Answer 1

使用XML库来解析html。您可以选择要删除的节点并使用removeNodes：

library(XML)
xData <- htmlParse("t<sub>i</sub>(10) = 23, p<sub>rep</sub>=.2")
remNodes <- xData['//sub[not(contains(., "rep"))]']
removeNodes(remNodes)
> xData
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
  <html><body>t(10) = 23, p<sub>rep</sub>=.2</body></html>

Answer 2

建议在处理HTML时使用 Parser ，但要解释您的问题......

问题是.*将一直向下到字符串，然后最终backtrack以允许结束标记匹配。只要它回溯到第二个结束标记，正则表达式就会匹配。

简单的解决方法是.*跟?一起使用，以防止贪婪。这意味着在找到结束标记之前，查找任何字符（除了换行符）并查找（0或更多）。指定问号?后，一旦找到结束标记，就会告诉正则表达式引擎（不要贪婪.. ... 停止... ）

txt <- 'ti(10) = 23, prep=.2' gsub('(?!rep).*?', '', txt, perl=T) # [1] "t(10) = 23, prep=.2"

正则表达式：匹配除特定文件之外的html文件中的所有下标

2 个答案: