R中的子集HTML字符串以删除日期答案

【问题标题】：Subset HTML String in R to remove dateR中的子集HTML字符串以删除日期
【发布时间】：2013-03-15 20:50:36
【问题描述】：

我正在尝试从我从网上抓取的 .txt 文件中的字符行中提取日期；日期总是在同一行，后面跟着相同的 HTML，但是日期本身会随着每个文本而变化。下面演示了来自两个 .txt 文件的代码的两个示例。

"17"        <div align=\\center\\><br /><font face=\\Times New Roman\\ size=\\3\\><b>Tuesday, 3 February 2009</b></font>
"17"    "<div align=\"center\"><br /><font face=\"Times New Roman\" size=\"3\"><b>Tuesday, 10 February 2009</b></font>"

xpathSApply() 不起作用，因为我将它们作为 .txt 文件导入到 R 中，该文件作为字符读取；关于如何最好地提取它的任何想法？谢谢！

【问题讨论】：

标签： string r date subset

【解决方案1】：

这有点傻，但如果标签  和  在您的数据中只出现一次，则可以。

如果不是这样，您可以尝试更改以下下标：

x <- "<div align=\\center\\><br /><font face=\\Times New Roman\\ size=\\3\\><b>Tuesday, 3 February 2009</b></font>"

strsplit(strsplit(x, "<b>")[[1]][2], "</b>")[[1]][1]

矢量化形式如下：

sapply(strsplit(sapply(strsplit(x, "<b>"), function(y) y[2]), "</b>"), function(y) y[1])

如果 x 是字符类型的向量。

【讨论】：

谢谢，这太棒了。我对代码有点不熟悉，但是有没有办法在不出错的情况下引入带引号的完整行？该行以 "\"17\"\t\"
它对我有用x <- "\"17\"\t\"<div align=\"center\"> Tuesday, 10 February 2009" > strsplit(strsplit(x, "")[[1]][2], "")[[1]][1]给[1] "Tuesday, 10 February 2009"
它也可以——而且应该足够了；我希望使代码更具体一点，以便当它查看具有开头和结尾行的长文本文档“”和“”时，它仍然能够识别通过从 "\"17\"\t\"
开始的更具体布局的日期