Question

我已经删除了一个html文件，以使数据集的每个字符向量看起来像：

<h3 class=\"personName\">Whitney  Alicia Zimmerman</h3>                                             <li>Assistant Teaching Professor</li>"

我想使用正则表达式将其修剪为名称和位置（为了澄清，每个向量具有不同的名称和位置）。我以前用过的东西不适用于此（我使用grepl函数来分配我原来的html文件）。我将如何使用正则表达式或其他技术来修剪它？感谢您提前提供任何帮助。

或者如果它更容易使用，我还有两个其他的字符向量将两者分开：

"                                        <h3 class=\"personName\">Whitney  Alicia Zimmerman</h3>"

和

"                                            <li>Assistant Teaching Professor</li>"

Answer 1

您可以使用sub并匹配除了您想要的所有内容。所以我可能会做类似

的事情

test = '<h3 class=\\"personName\\">Whitney  Alicia Zimmerman</h3>  '
sub("<.*", "", sub(".*\">", "", test))

[1] "Whitney  Alicia Zimmerman"

可以修改gsub表达式以消除您想要的任何内容。诀窍是匹配你不想要的东西，并用空字符串代替。

sub的基本结构是sub(match_string, replace_string, target)。查看文档将进一步清除它。我刚刚嵌套了我的sub，所以我可以删除字符串的开头和结尾。

编辑：我包含了你/ Onyambu的建议，因为他是完全正确的。只有sub不需要gsub，就像我最初建议的那样。不同之处在于gsub查找所有匹配项，sub只查找第一个匹配项。

下面他还提供了一个解决方案，只使用一个sub，而不是像我一样。

Answer 2

如果确实想要使用正则表达式，那么这是一个使用stringr（以及magrittr）的解决方案：

使用你的长字符串：

htmlstring <- c("<h3 class=\"personName\">Whitney  Alicia Zimmerman</h3>                                             <li>Assistant Teaching Professor</li>")

代码：

library(stringr)
library(magrittr)

ParsedString <- str_replace_all(htmlstring, "<[^>]+>", "") %>% # remove everything between angle brackets, inclusive
                str_squish # remove all extraneous whitespace

输出：

> ParsedString
[1] "Whitney Alicia Zimmerman Assistant Teaching Professor"

使用正则表达式修改R中的字符串

2 个答案: