处理解析的文本

Question

我想计算解析文本中小于 x 的数字的数量。

这是给我列表的代码：

library(rvest)
library(reshape2)


td <- read_html(x = "http://www.imdb.com/name/nm1287124/?ref_=tt_ov_dr") 
list<- as.list(td %>% # feed `main.page` to the next step%>% # load the page
    html_nodes(".filmo-row") %>% # isloate the text
    html_text())     

有人知道如何计算例如小于 2017 年的数字吗？

（未完成；最终目标是计算某一年之前的导演学分）

Answer 1

假设我们有：

text <- "asdasd8927askdmasjdo89jans1982736djnaos987anksdjnj2008da"

假设数字总是被[0-9]以外的任何东西包围，那么你可以编写一个函数来执行此操作：

idx <- gregexpr("[0-9]+", text)[[1]]
lens <- attr(idx, "match.length")
nums <- lapply(seq_along(idx), function(i) {
  substr(text, idx[i], idx[i] + lens[i] - 1)
})
nums <- as.numeric(nums)

（?grep和?substr解释） 最后你可以数出大于 2017 年的数字。

sum(nums > 2017)

编辑（评论）

假设我们只想查看 4 位数字，那么可以调整正则表达式（和 substr 索引）。现在我们搜索“Not a Number” 4 次“a Number”“Not a Number”。因此，为了只提取“数字”部分，我们将substr 晚一个位置开始并提前一个位置停止。

idx <- gregexpr("[^0-9][0-9]{4}[^0-9]", text)[[1]]
lens <- attr(idx, "match.length")
nums <- lapply(seq_along(idx), function(i) {
  substr(text, idx[i] + 1, idx[i] + lens[i] - 2)
})
nums <- as.numeric(nums)

现在nums 仅包含 2 个 4 位数字。

nums
sum(nums > 2017)