Question

我正在尝试导入一个包含html代码的文本文件。我正在尝试使用read.table进行导入，并以竖线（〜）分隔。

文本文件如下所示：

id~title~content
Article-123~Title 1~<h2>Overview of Article 1</h2>

<p>This is the content of article 123.</p>
Article-456~Title 2~<h1>Problem:</h1><br>
<br>
This is the content of article 456
Article-789~Title 3~<h1>This is the content of article 789 </h1>

我正在使用的代码使我接近：

text <- read.table("filepath/text_file.txt",
                    quote = "\"",
                    sep = "~",
                    fill = TRUE,
                    header = TRUE,
                    comment.char = "",
                    stringsAsFactors = TRUE,
                    na.strings = "\\n",
                    allowEscapes = FALSE)

我得到：

id              title       content
Article-123     Title 1     <h2>Overview of Article 1</h2>
Article-456     Title 2     <h1>Problem:</h1><br>
<br>
Article-567     Title 3     <h1>This is the content of article 789 </h1>

当我导入R时，似乎HTML正在添加换行符。相反，我希望导入看起来像这样：

id              title       content
Article-123     Title 1     <h2>Overview of Article 1</h2>
Article-456     Title 2     <h1>Problem:</h1><br>
Article-567     Title 3     <h1>This is the content of article 789 </h1>

Answer 1

您可以查看是否可行？我不确定要用read.table来解释某些换行而不是其他换行的方法（您如何知道换行是否意味着新行？）相反，我们可以尝试以下方法：

以行的形式读取数据（因此文本的每一行都是字符向量的元素）
通过查找~字符来找出每一行属于哪些行，然后折叠这些行并替换换行符。如果HTML的任何地方都包含~，则可能会很脆弱。
使用separate将新整理的行分为三列。

library(tidyverse)
text <- "id~title~content
Article-123~Title 1~<h2>Overview of Article 1</h2>

<p>This is the content of article 123.</p>
Article-456~Title 2~<h1>Problem:</h1><br>
<br>
This is the content of article 456
Article-789~Title 3~<h1>This is the content of article 789 </h1>"

text_in <- read_lines(text) %>%
  tibble(line = .) %>%
  mutate(row = str_detect(line, "~") %>% cumsum) %>%
  group_by(row) %>%
  summarise(line = str_c(line, collapse = "\n")) %>%
  separate(line, into = c("id", "title", "content"), sep = "~") %>%
  slice(-1)

text_in
#> # A tibble: 3 x 4
#>     row id        title   content                                          
#>   <int> <chr>     <chr>   <chr>                                            
#> 1     2 Article-… Title 1 "<h2>Overview of Article 1</h2>\n\n<p>This is th…
#> 2     3 Article-… Title 2 "<h1>Problem:</h1><br>\n<br>\nThis is the conten…
#> 3     4 Article-… Title 3 <h1>This is the content of article 789 </h1>

^{由reprex package（v0.2.1）于2019-04-17创建}

Answer 2

如果正在使用data.tables，则可以尝试此操作。我的方法有以下假设：

如果列（"title"或"content"）具有NA，则该行是<br>，comment或<p>
该文本文件中将包含更多这些行

基于这些假设，如果您使用library(readr)，它将创建一个tibble表，您可以将其设置回data.table，同时使用NA删除任何行。

这是代码：

text <- "id~title~content
Article-123~Title 1~<h2>Overview of Article 1</h2>

<p>This is the content of article 123.</p>
Article-456~Title 2~<h1>Problem:</h1><br>
<br>
This is the content of article 456
Article-789~Title 3~<h1>This is the content of article 789 </h1>"

library(readr)
library(data.table)
test <- na.omit(setDT(read_delim(text, delim = "~")))

test


            id   title                                      content
1: Article-123 Title 1               <h2>Overview of Article 1</h2>
2: Article-456 Title 2                        <h1>Problem:</h1><br>
3: Article-789 Title 3 <h1>This is the content of article 789 </h1>

我添加了此内容是因为我喜欢使用data.tables，因此使用fread您还可以执行以下操作：

library(data.table)
test <- na.omit(fread(text,header = TRUE, sep = "~", 
                      na.strings = "", fill = TRUE, 
                      blank.lines.skip = TRUE))


test
            id   title                                      content
1: Article-123 Title 1               <h2>Overview of Article 1</h2>
2: Article-456 Title 2                        <h1>Problem:</h1><br>
3: Article-789 Title 3 <h1>This is the content of article 789 </h1>

我有一个包含html代码的文本文件。导入时导致错误

2 个答案: