从字符串中提取元素

Question

我试图在没有任何包的情况下提取两个 HTML 标记之间的元素。

假设我有一个字符串：

string <- c("<tb example", "<TEXT>", "some text", "<TEXT>", "<TEXT> some more text <TEXT>")

我想提取前两个 TEXT 元素之间的元素（一些文本）。

我曾尝试使用 grelp 和 gregexpr，但无法使其正常工作。

string[grepl("<TEXT>(.*?)<TEXT>", string, ignore.case = F)]
regmatches(string,gregexpr("<TEXT>", string, ignore.case = F))

谢谢

Answer 1

正则表达式概念在这里不起作用，因为你有一个向量，而不是一个字符串。在向量上执行此操作的一个想法是识别前两个<TEXT>，使用seq 完成序列，然后使用setdiff 隔离所需的值，即

v1 <- which(string == '<TEXT>')[1]
v2 <- which(string == '<TEXT>')[2]

string[setdiff(seq(v1, v2), c(v1, v2))]
#[1] "some text"

Answer 2

首先将您的字符串向量连接成一个字符串，然后使用stringr 包进行正则表达式

library(stringr)

string <- c("<tb example", "<TEXT>", "some text", "<TEXT>", "<TEXT> some more text <TEXT>")
string_c <- paste(string, collapse = " ")

# Find the first occurrence
res <- str_match(string_c, "<TEXT> (.*?) <TEXT>")

res[2]
#[1] "some text"

Answer 3

除了 3a 之外，这些假设您正在寻找 string 的第一个长度为 3 的子序列，其形式为 <TEXT> something <TEXT>；但是，如果在连续的<TEXT> 分量之间允许有任意数量的string 向量分量，则使用 3a 或 4a。

1) 如果 string 至少有 3 个元素，则创建一个三列移动窗口矩阵 m 并计算一个逻辑向量 ok，对于其中第 1 列和第3 等于<TEXT>。取m 的第二列的第一个元素，其中有一行ok 为TRUE。

如果没有匹配项，则此代码返回零长度字符向量。没有使用任何包。

m <- embed(string, 3)
ok <- !rowSums(m[, -2, drop = FALSE] != "<TEXT>")
head(m[ok, 2], 1)
## [1] "some text"

2) 对于e 的每一行，如果第一个和最后一个元素是<TEXT>，则返回中间元素，否则返回NA。 然后移除 NA 并取出剩下的第一个元素。

e <- embed(string, 3)
Select <- function(x) ifelse(all(x[-2] == "<TEXT>"), x[2], NA)
head(na.omit(apply(e, 1, Select)), 1)
## [1] "some text"

3) 另一种基本方法是创建一个与string 长度相同的分组向量g，每次遇到<TEXT> 时都会增加1。然后使用tapply 提取每个组的第二个元素，长度为 2 或 NA 如果其他长度。删除 NA 元素并取第一个剩下的元素。如果没有匹配的子序列，则返回零长度字符向量。

g <- cumsum(string == "<TEXT>")
Select2 <- function(x) if (length(x) == 2) x[2] else NA
ta <- tapply(string[g > 0], g[g > 0], Select2)
as.character(head(na.omit(c(ta)), 1))
## [1] "some text"

3a) 如果string 的多个组件在<TEXT> 组件之间是允许的，则进行以下修改。如果没有匹配的子序列，则返回 NULL。

g <- cumsum(string == "<TEXT>")
ta <- tapply(string[g > 0], g[g > 0], function(x) x[-1], simplify = FALSE)
unname(unlist((head(ta, 1))))
## [1] "some text"

4) 这会在每个 <TEXT> 元素之后查找元素并挑选出其中的第一个。如果只有一个 <TEXT> 则返回其后的元素，如果根本没有 <TEXT> 元素或唯一的 <TEXT> 元素出现在输入向量的末尾，则返回长度为 0 的字符向量。

head(string[c(FALSE, head(string, -1) == "<TEXT>")], 1)
## [1] "some text"

4a) 如果在<TEXT> 元素之间可以出现多个元素，请改用它。请注意，如果存在少于两个 <TEXT> 元素，则返回 NULL。如果我想在这种情况下返回其他内容，请在 if 中添加 else 分支。

ix <- head(which(string == "<TEXT>"), 2)
if (length(ix) == 2) string[seq(ix[1] + 1, ix[2] - 1)]
## [1] "some text"