使用gsub R删除所有特定的html标记

Question

我有一个像

这样的字符串

txt<-"text text text <div><div><script>xxxx</script></div><scrip>yyyyy</script>text </div><script>zzzzzz</script>"

我想删除所有脚本标记及其内容。

"text text text <div><div></div>text </div>"

我试过了

gsub("<script.*?>(.*)<\\/script>", "", txt)

你能给我们一个很好的教程来学习R

的快速正则表达式

提前致谢

Answer 1

贪婪点匹配的第一次尝试注定要失败，因为贪婪的匹配并不能确保最短的匹配（好吧，懒惰的匹配也不会），而这只会匹配中间所有必要的文本。

使用<script>[^</script>^<script>]+</script>的最新尝试也无效，因为[^</script>^<script>]+匹配<，/，s，{{以外的1个或多个字母1}}，c，r，i，p，t，>。显然，这不是你需要的。

从问题本身提取，可以处理任何纯文本文件，正则表达式从文本中删除大块。

当我们需要匹配某些不相同的标记（或分隔符）之间的子字符串时，我们可以使用 unroll-the-loop技术和支持 lookaheads 的类似Perl的正则表达式。

以下是适用于任何大小的纯文本的工作代码：

^

regex demo can be seen here，此处为IDEONE demo。

基本上，匹配：

• txt<-"text text text <div><div><script>xxxx</script></div><script>yyyyy</script>text </div><script>zzzzzz</script>" gsub("<script\\b[^<]*>[^<]*(?:<(?!/script>)[^<]*)*</script>", "", txt, perl=T) ## [1] "text text text <div><div></div>text </div>" - 任何开放<script\\b[^<]*>标记即使内部属性（不是<script>）也不会出现在HTML属性中，因此<比{{1}更安全}}或[^<]*）
• [^<>]* - 展开的[^>]*构造，匹配任何文字，[^<]*(?:<(?!/script>)[^<]*)*
• (?s).*? - 关闭</script>代码

Answer 2

我想我找到了它

gsub("<script>[^</script>^<script>]+</script>", "", txt)