如何在R中清理和拆分HTML标记？

我的解析器创建一个数据帧，如下所示：

    name          html
 1  John         <span class="incident-icon" data-minute="68" data-second="37" data-id="8028"></span><span class="name-meta-data">68</span>
 2 Steve         <span class="incident-icon" data-minute="69" data-second="4" data-id="132205"></span><span class="name-meta-data">69</span>

---

regex是可能的，但我更喜欢

rvest

包

这对于data.table或dplyr来说更容易，但是让我们以R为基础来实现（这些都是新概念的可能性很小）

#示例数据
df%html\u属性）
#rbind以获取具有所有属性的data.frame
决赛
名称html类
1约翰68事件图标
2史蒂夫69事件图标
data.minute data.second data.id
1          68          37    8028
2          69           4  132205

让我们删除html，使其在查看器中更好一些：

> final$html <- NULL
> final
   name         class data.minute data.second data.id
1  John incident-icon          68          37    8028
2 Steve incident-icon          69           4  132205

>final$html final
name class data.minute data.second data.id
1约翰事件图标68 37 8028
2史蒂夫事件图标69 4 132205
regex是可能的，但我更喜欢
rvest
包

这对于data.table或dplyr来说更容易，但是让我们以R为基础来实现（这些都是新概念的可能性很小）

#示例数据
df%html\u属性）
#rbind以获取具有所有属性的data.frame
决赛
名称html类
1约翰68事件图标
2史蒂夫69事件图标
data.minute data.second data.id
1          68          37    8028
2          69           4  132205

让我们删除html，使其在查看器中更好一些：

> final$html <- NULL
> final
   name         class data.minute data.second data.id
1  John incident-icon          68          37    8028
2 Steve incident-icon          69           4  132205

>final$html final
name class data.minute data.second data.id
1约翰事件图标68 37 8028
2史蒂夫事件图标69 4 132205
如果您的问题中已经有了数据框，您可以尝试以下方法。您的数据帧在这里称为
mydf
。您可以使用
stri\u extract\u all\u regex（）
提取所有数字。然后，按照经典方法将列表转换为数据帧。然后，指定新列名并将结果与原始数据框中的列
name
绑定

library(stringi)
library(dplyr)

stri_extract_all_regex(str = mydf$url, pattern = "[0-9]+") %>%
unlist %>%
matrix(ncol = 4, byrow = T) %>%
data.frame %>%
setNames(c("minute", "second", "ID", "data")) %>%
bind_cols(mydf["name"], .)

#   name minute second     ID data
#1  John     68     37   8028   68
#2 Steve     69      4 132205   69

资料

mydf如果您的问题中已经有了数据框，您可以尝试以下方法。您的数据帧在这里称为
mydf
。您可以使用
stri\u extract\u all\u regex（）
提取所有数字。然后，按照经典方法将列表转换为数据帧。然后，指定新列名并将结果与原始数据框中的列
name
绑定

library(stringi)
library(dplyr)

stri_extract_all_regex(str = mydf$url, pattern = "[0-9]+") %>%
unlist %>%
matrix(ncol = 4, byrow = T) %>%
data.frame %>%
setNames(c("minute", "second", "ID", "data")) %>%
bind_cols(mydf["name"], .)

#   name minute second     ID data
#1  John     68     37   8028   68
#2 Steve     69      4 132205   69

资料

mydf使用
purr
和
dplyr
的替代
rvest
方法：

library(rvest)
library(purrr)
library(dplyr)

df <- read.table(stringsAsFactors=FALSE, header=TRUE, sep=",", text='name,html
John,<span class="incident-icon" data-minute="68" data-second="37" data-id="8028"></span><span class="name-meta-data">68</span>
Steve,<span class="incident-icon" data-minute="69" data-second="4" data-id="132205"></span><span class="name-meta-data">69</span>')

by_row(df, .collate="cols", 
       ~read_html(.$html) %>% 
         html_nodes("span:first-of-type") %>% 
         html_attrs() %>% 
         flatten_chr() %>% 
         as.list() %>% 
         flatten_df()) %>% 
  select(-html, -class1) %>% 
  setNames(gsub("^data-|1$", "", colnames(.)))
## # A tibble: 2 × 4
##    name minute second     id
##   <chr>  <chr>  <chr>  <chr>
## 1  John     68     37   8028
## 2 Steve     69      4 132205

库（rvest）
图书馆（purrr）
图书馆（dplyr）
df%
html_节点（“跨度：类型的第一个”）%>%
html_attrs（）%>%
展平\u chr（）%>%
as.list（）%>%
展平_df（））%>%
选择（-html，-class1）%>%
集合名（gsub（“^data-| 1$”，“”，colnames（.））
###A tible:2×4
##名称分钟秒id
##         
##约翰一世68 37 8028
##2史蒂夫69 4 132205
使用
purr
和
dplyr
的替代
rvest
方法：

library(rvest)
library(purrr)
library(dplyr)

df <- read.table(stringsAsFactors=FALSE, header=TRUE, sep=",", text='name,html
John,<span class="incident-icon" data-minute="68" data-second="37" data-id="8028"></span><span class="name-meta-data">68</span>
Steve,<span class="incident-icon" data-minute="69" data-second="4" data-id="132205"></span><span class="name-meta-data">69</span>')

by_row(df, .collate="cols", 
       ~read_html(.$html) %>% 
         html_nodes("span:first-of-type") %>% 
         html_attrs() %>% 
         flatten_chr() %>% 
         as.list() %>% 
         flatten_df()) %>% 
  select(-html, -class1) %>% 
  setNames(gsub("^data-|1$", "", colnames(.)))
## # A tibble: 2 × 4
##    name minute second     id
##   <chr>  <chr>  <chr>  <chr>
## 1  John     68     37   8028
## 2 Steve     69      4 132205

库（rvest）
图书馆（purrr）
图书馆（dplyr）
df%
html_节点（“跨度：类型的第一个”）%>%
html_attrs（）%>%
展平\u chr（）%>%
as.list（）%>%
展平_df（））%>%
选择（-html，-class1）%>%
集合名（gsub（“^data-| 1$”，“”，colnames（.））
###A tible:2×4
##名称分钟秒id
##         
##约翰一世68 37 8028
##2史蒂夫69 4 132205

library(rvest)
library(purrr)
library(dplyr)

df <- read.table(stringsAsFactors=FALSE, header=TRUE, sep=",", text='name,html
John,<span class="incident-icon" data-minute="68" data-second="37" data-id="8028"></span><span class="name-meta-data">68</span>
Steve,<span class="incident-icon" data-minute="69" data-second="4" data-id="132205"></span><span class="name-meta-data">69</span>')

by_row(df, .collate="cols", 
       ~read_html(.$html) %>% 
         html_nodes("span:first-of-type") %>% 
         html_attrs() %>% 
         flatten_chr() %>% 
         as.list() %>% 
         flatten_df()) %>% 
  select(-html, -class1) %>% 
  setNames(gsub("^data-|1$", "", colnames(.)))
## # A tibble: 2 × 4
##    name minute second     id
##   <chr>  <chr>  <chr>  <chr>
## 1  John     68     37   8028
## 2 Steve     69      4 132205