从 R 字符串中去除 HTML 格式答案

【问题标题】：Strip HTML Formatting from R Strings从 R 字符串中去除 HTML 格式
【发布时间】：2017-04-21 21:53:10
【问题描述】：

我正在尝试从这个 url 中抓取信息：http://www.sports-reference.com/cbb/boxscores/index.cgi?month=2&day=3&year=2017，并且已经相当远地达到了我为每个游戏设置如下字符串的地步：

str <-"Yale\n\t\t\t87\n\t\t\t\n\t\t\t\tFinal\n\t\t\t\t\n\t\t\t\n\t\tColumbia\n\t\t\t78\n\t\t\t \n\t\t\t\n\t\t"

理想情况下，我希望得到一个看起来像这样的向量或数据框：

str_vec <- c('Yale',87,'Columbia',78)

我尝试了一些不起作用的方法：

without_n <- gsub(x = str, pattern = '\n')
without_Final <- gsub(x = without_n, pattern = 'Final')
str_vec <- strslpit(x = without_Final, split = '\t')

提前感谢您提供任何有用的提示/答案！

【问题讨论】：

为什么Final 不在预期输出中？
这是去年二月的篮球成绩列表。希望现在所有的游戏都应该结束了！
strsplit(str, '\\s+')[[1]]，但最好一开始就正确刮。不过，在这方面，请检查条款。
啊。接得好。我只是用它来学习抓取，但我想我会找到另一个网站来使用......

标签： r rvest

【解决方案1】：

您可以使用gsub 首先将字符串中的所有非字母数字字符替换为空字符串。然后在名称和分数之间插入space。此后，您可以将space 上的字符串拆分为所需的数据结构。

require(stringr)

step_1 <- gsub('([^[:alnum:]]|(Final))', "", str)
#"Yale87Columbia78"

step_2 <- gsub("([[:alpha:]]+)([[:digit:]]+)", "\\1 \\2 ", step_1)
strsplit(str_trim(step_2)," ")
#"Yale" "87" "Columbia" "78"

我假设字符串模式是一致的，这样才能可靠地工作。

【讨论】：