使用 R 从 URL 中提取类别 ID 和类别标签答案

【问题标题】：Extracting Category IDs and Category Labels from URLs Using R使用 R 从 URL 中提取类别 ID 和类别标签
【发布时间】：2013-11-25 23:35:31
【问题描述】：

假设我有以下链接：

<a class=\"MainCategory\"href=\"/cp/3951?povid=cat1070145-env172199-moduleA080112-lLinkGNAV_Electronics_Computers\">Computers</a>
<a href=\"/browse/electronics/desktop-computers/3944_3951_132982/?_refineresult=true&catNavId=3951&povid=cat1070145-env172199-moduleA080112-lLinkGNAV_Electronics_Computers_Desktops\">Desktops</a>
<a href=\"/cp/Laptops/1089430?povid=cat1070145-env172199-moduleA080112-lLinkGNAV_Electronics_Computers_Laptops\">Laptops</a>

是否有自动提取以下 IDS 的方法：3951、132982 和 1089430 及其对应的标签：计算机、台式机和笔记本电脑？

【问题讨论】：

为什么不提供一些示例 URL 的使用，然后向我们展示您希望输出的样子？包括您已经尝试过的内容。
抱歉，我刚刚格式化了 HTML 标记。
如果你有像下面这样的任意数据，而且ID总是在不同的地方，那就更复杂了。
链接是从网站检索还是存储？
我从网站上检索到它们。

标签： regex r

【解决方案1】：

如果您的网址位于如下向量中

vec <- c("<a class=\"MainCategory\"href=\"/cp/3951?povid=cat1070145-env172199-moduleA080112-lLinkGNAV_Electronics_Computers\">Computers</a>",
         "<a href=\"/browse/electronics/desktop-computers/3944_3951_132982/?_refineresult=true&catNavId=3951&povid=cat1070145-env172199-moduleA080112-lLin kGNAV_Electronics_Computers_Desktops\">Desktops</a>",
         "<a href=\"/cp/Laptops/1089430?povid=cat1070145-env172199-moduleA080112-lLinkGNAV_Electronics_Computers_Laptops\">Laptops</a>")

您可以使用正则表达式来提取信息：

data.frame(ID = sub(".*[0-9]+_[0-9]+_([0-9]+).*", "\\1", 
                    sub(".*[^0-9]([0-9]+)\\?povid.*", "\\1", vec)),
           Label = sub(".*>(.*)</a>$", "\\1", vec))

#        ID     Label
# 1    3951 Computers
# 2  132982  Desktops
# 3 1089430   Laptops

【讨论】：

也许你应该提到使用正则表达式提取HTML属性不是一个好主意......