仅保留标签的文本答案

【问题标题】：Keep only the text of a label仅保留标签的文本
【发布时间】：2020-08-04 18:05:13
【问题描述】：

在具有格式标签的文本中，例如

data.frame(id = c(1, 2), text = c("something here <h1>my text</h1> also <h1>Keep it</h1>", "<h1>title</h1> another here"))

有人怎么能用逗号分隔选项只保留<h1> </h1>中的文本：

data.frame(text = c("my text, Keep it", "title"), id = c(1, 2))

【问题讨论】：

标签： r quanteda

【解决方案1】：

我们可以使用str_extract_all。使用正则表达式环视，获取标记后的字符，然后遍历list 输出和paste 提取的字符串

library(stringr)
data.frame(text = sapply(str_extract_all(df1$text, "(?<=<h1>)[^<]+"), 
      paste, collapse=", "), id = df1$id)
#               text id
#1 my text, Keep it  1
#2            title  2

【讨论】：

【解决方案2】：

你可以使用网页抓取技能。

library(rvest)

sapply(df$text, function(x) {
  read_html(x) %>% html_nodes(css = "h1") %>% html_text %>% toString
}, USE.NAMES = F)

# [1] "my text, Keep it"
# [2] "title"

【讨论】：

【解决方案3】：

如果您想为此使用 quanteda，您可以将其转换为语料库，然后通过两个 corpus_segment() 调用对其进行处理，一个用于获取之前的文本，第二个用于然后只需选择 .然后您可以使用texts(x, groups = docid()) 重新组合文本，指定spacer = ", "。

以下是您想要的输出：

library("quanteda")
## Package version: 2.1.1

df <- data.frame(
  id = c(1, 2),
  text = c("something here <h1>my text</h1> also <h1>Keep it</h1>", "<h1>title</h1> another here")
)

charvec <- corpus(df, docid_field = "id") %>%
  corpus_segment("</h1>", pattern_position = "after") %>%
  corpus_segment("<h1>", pattern_position = "before") %>%
  texts(groups = docid(.), spacer = ", ")

然后将其转换为您想要的data.frame：

data.frame(text = charvec, id = names(charvec))
##               text id
## 1 my text, Keep it  1
## 2            title  2

【讨论】：