Question

使用rvest进行网页抓取时遇到了一个奇怪的问题。

我取消了以下名称："Abdichter/in EFZ"，起初看起来很正常。但是，当我将文件写入csv时，我发现字母之间是“-”。在Excel中，该词看起来像这样：Ab-dich-ter/in EFZ。

所以我做了一个str_split(x, "")，发现字符串实际上看起来像这样：

c("A", "b", "", "d", "i", "c", "h", "", "t", "e", "r", "/", "i", "n", " ", "E", "F", "Z")

我试图从字符串中取出空字符串，但是我没有处理。我尝试过：

my_string <- str_split(my_string , "")

然后

paste0(my_string[my_string != ""])

但这没有帮助。

因此，我想知道：

空字符串如何进入该字符串，并且
如何再次将其取出。

编辑：这是webpage。

这是我得到字符串的方式：

library(rvest)

read_html("https://berufskunde.com/ausbildungsberufe/ausbildung-abdichter.html", encoding = "UTF-8") %>% 
  html_nodes(".section") %>% 
  html_nodes(".text-rot") %>% 
  html_text()

Answer 1

您正在观察的字符串不是空字符串，而是一个SOFT HYPHEN（U + 00AD）字符。应该只在单词断行时才显示它，但是一些编辑者不能正确处理它，这就是为什么当您检查CSV时可能会显示它的原因。

无论如何，您可能都希望将其从字符串中删除：

str = gsub('\U00AD', '', str)

如何删除字符串中的空字符串（“”）

1 个答案: