我正在使用rvest 解析网站。我正在用这些小的非破坏空间撞墙。如何删除已解析的 html 文档中  元素创建的空白？
library("rvest")
library("stringr")
minimal <- html("<!doctype html><title>blah</title> <p> foo")
bodytext <- minimal %>%
html_node("body") %>%
html_text
现在我已经提取了正文：
bodytext
[1] " foo"
但是，我无法删除那个讨厌的空格！
str_trim(bodytext)
gsub(pattern = " ", "", bodytext)
【问题讨论】：
jdharison 回答：
gsub("\\W", "", bodytext)
而且，这会起作用，但你可以使用：
gsub("[[:space:]]", "", bodytext)
这将删除所有Space characters: tab, newline, vertical tab, form feed, carriage return, space and possibly other locale-dependent characters。它是其他神秘的正则表达式类的一个非常易读的替代品。
【讨论】：
\\W 技术确实有效！所以很明显，无论那个空间在我的语言环境中编码成什么，它都不是一个词！
我遇到了同样的问题，并决定简单替换
gsub(intToUtf8(160),'',bodytext)
（已修改为正确大小写。）
【讨论】：
&nbsp 代表“不间断空间”，在 unicode 空间中，它与“常规”空间（即" "）有自己独特的特征。比较
charToRaw(" foo")
# [1] 20 66 6f 6f
charToRaw(bodytext)
# [1] c2 a0 66 6f 6f
因此，您可能希望对空白使用一种特殊字符类。您可以使用
删除所有空格gsub("\\s", "", bodytext)
在 Windows 上，我需要确保字符串的编码设置正确
Encoding(bodytext) <- "UTF-8"
gsub("\\s", "", bodytext)
【讨论】：
charToRaw 功能太棒了！好的，所以我实际上尝试了类似的东西。根据this answer，&nbsp; 被解释为“”和“”。麻烦的是，虽然我可以将“”与正则表达式匹配，但我不能用空格来匹配。你的编码技巧没有帮助。原谅我没有在这里复制这个作品；我无法在我的示例中复制“”
Encoding(bodytext)，你会得到什么？您也可以安全地将其设置为“latin1”
Encoding(bodytext) 返回UTF-8，但任何以空格为目标的表达式都无法匹配显示为空格的内容，\\s 和 [:space:] 均不匹配
sessionInfo() 的结果，该结果应该具有 R 版本和 OS 版本。所以你说你没有看到“”，你看到一个空格但\\s 不匹配？您正在测试原始帖子中的示例？你得到的 charToRaw() 值和我一样吗？
发布这个是因为我认为这是最可靠的方法。
我抓取了一个维基百科页面并在我的输出中得到了这个（不确定它是否会正确复制粘贴）：
x <- " California"
而gsub("\\s", "", x) 没有改变任何东西，这引发了一些可疑的事情。
为了调查，我做了：
dput(charToRaw(strsplit(x, "")[[1]][1]))
# as.raw(c(0xc2, 0xa0))
弄清楚该字符在内存中的存储/识别方式。
有了这个，我们可以比其他解决方案更稳健地使用gsub：
gsub(rawToChar(as.raw(c(0xc2, 0xa0))), "", x)
# [1] "California"
（@MrFlick 设置编码的建议对我不起作用，不清楚@shabbychef 从哪里得到160 的输入intToUtf8；这种方法可以推广到其他类似情况）
【讨论】：
使用rex 可能会使此类任务更简单一些。此外，我无法重现您的编码问题，无论我的机器上的编码如何，以下内容都会正确替换空间。 （不过，它与[[:space:]] 的解决方案相同，因此您可能遇到同样的问题）
re_substitutes(bodytext, rex(spaces), "", global = TRUE)
#> [1] "foo"
【讨论】：
我能够使用mystring %>% stringr::str_trim() 删除字符串开头和结尾的&nbsp; 空格。
【讨论】：