Question

我一周前开始使用R，并且我一直在努力从htmls中提取一些信息以便开始使用。

我知道这是一个经常而且基本的问题，因为我已经在不同的背景下问过这个问题了，我读了很多帖子。

我也知道我可以使用的功能：sub / str_match等。

我选择使用sub（），这是我的代码暂时的样子：

#libraries
library('xml2')
library('rvest')
library('stringr')

#author page:
url <- paste('https://ideas.repec.org/e/',sample[4,3],'.html',sep="")
url <- gsub(" ", "", url, fixed = TRUE)
webpage <- read_html(url)

#get all published articles:
list_articles <- html_text(html_nodes(webpage,'#articles-body ol > li'))

#get titles:
titles <- html_text(html_nodes(webpage, '#articles-body b a'))

#get co-authors:
authors <- sub(".* ([A-Za-z_]+),([0-9]+).\n.*","\\1", list_articles)

以下是list_articles的元素：

" Theo Sparreboom & Lubna Shahnaz, 2007.\n\"Assessing Labour Market 
Vulnerability among Young People,\"\nThe Pakistan Development 
Review,\nPakistan Institute of Development Economics, vol. 46(3), pages 193-
213.\n"

当我试图得到共同作者时，R给了我整个字符串而不仅仅是共同作者，所以我明确指出了错误的模式，但我不明白为什么。

如果有人可以帮助我，那就太好了。

希望你过得愉快， G. Gauthier

Answer 1

这有用吗？

它表示从第一个大写字母中提取字符串，直到有逗号，空格和数字。

library(stringr)

#get co-authors:
authors <- str_extract(list_articles,"[[:upper:]].*(?=, [[:digit:]])")

当模式不清晰时，在R中提取子字符串

1 个答案: