从向量中删除带有标签的数据答案

【问题标题】：removing data with tags from a vector从向量中删除带有标签的数据
【发布时间】：2012-04-19 09:58:16
【问题描述】：

我有一个包含 html 标签的字符串向量，例如

  abc<-""welcome <span class=\"r\"><a href=\"abc\">abc</a></span> Have fun!""

我想删除这些标签并获得以下向量

例如

       abc<-"welcome Have fun"

【问题讨论】：

标签： r

【解决方案1】：

试试

> gsub("(<[^>]*>)","",abc)

这句话的意思是“将的 > 直到 > 什么都没有”

您不能只使用gsub("<.*>","",abc)，因为正则表达式是贪婪的，并且 .* 会匹配文本中的最后一个 >（并且您会丢失示例中的“abc”）。

如果您的标签中有 >，此解决方案可能会失败 - 但 <foo class=">" > 合法吗？毫无疑问，有人会想出另一个答案，涉及使用重量级 XML 包解析 HTML。

【讨论】：

谢谢 Spacedman 如果向量中包含像 a 这样的超链接abc.com") 我们如何删除它
你必须在问题中坚持这个例子，因为 cmets 倾向于重新格式化文本并将事情搞砸......

【解决方案2】：

您可以使用以下命令将您的 HTML 片段转换为 XML 文档 htmlParse 或 htmlTreeParse。然后，您可以将其转换为文本，即用xmlValue去除所有标签。

abc <- "welcome <span class=\"r\"><a href=\"abc\">abc</a></span> Have fun!"
library(XML)
#doc <- htmlParse(abc, asText=TRUE)
doc <- htmlTreeParse(abc, asText=TRUE)
xmlValue( xmlRoot(doc) )

如果您还想删除链接的内容，您可以使用xmlDOMApply 来转换 XML 树。

f <- function(x) if(xmlName(x) == "span") xmlTextNode(" ") else x
d <- xmlDOMApply( xmlRoot(doc), f )
xmlValue(d)

【讨论】：