Fatal编程技术网
  • r/
  • R 如何删除<；之间的所有文本；风格>；标签？

R 如何删除<；之间的所有文本；风格>；标签？

r

R 如何删除<；之间的所有文本；风格>；标签？,r,text-mining,gsub,R,Text Mining,Gsub,我在R上做一个文本挖掘作业，我有一个语料库，其中包括一些html文档。我想删除标记和它们之间的所有文本，最好使用gsub函数 例如： 把这个翻过来： <style> .s4-tn{ border-left: 1px #0071C5 solid; padding: 0px; margin: 0px; font-family: "Intel Clear", Verdana, verdana, san-serif; font-size: 15px; font-weight: lighter

我在R上做一个文本挖掘作业，我有一个语料库，其中包括一些html文档。我想删除
标记和它们之间的所有文本，最好使用gsub函数

例如：

把这个翻过来：

<style>
.s4-tn{
border-left: 1px #0071C5 solid;
padding: 0px;
margin: 0px;
font-family: "Intel Clear", Verdana, verdana, san-serif;
font-size: 15px;
font-weight: lighter;
color: #0071C5; }

.s4-toplinks .s4-tn a.selected:hover{
    color:#1F497D;
    text-decoration: none;
}
</style>
<img id="corner" src="/sites/HR_ETM/SitePages/img/bottom_bar.png"/>


.s4 tn{
左边框：1px#0071C5实心；
填充：0px；
边际：0px；
字体系列：“英特尔清晰”、Verdana、Verdana、san serif；
字体大小：15px；
字体重量：较轻；
颜色：#0071C5；}
.s4 toplinks.s4 tn a.已选择：悬停{
颜色：#1F497D；
文字装饰：无；
}
为此：

<img id="corner" src="/sites/HR_ETM/SitePages/img/bottom_bar.png"/>
避免在此处使用正则表达式，并使用html/xml解析器

txt <- '<style>
.s4-tn{
border-left: 1px #0071C5 solid;
padding: 0px;
margin: 0px;
font-family: "Intel Clear", Verdana, verdana, san-serif;
font-size: 15px;
font-weight: lighter;
color: #0071C5; }

.s4-toplinks .s4-tn a.selected:hover{
    color:#1F497D;
    text-decoration: none;
}
</style>
<img id="corner" src="/sites/HR_ETM/SitePages/img/bottom_bar.png"/>'

txt我会使用
removeNodes


library(XML)
doc <- htmlParse(txt,asText=TRUE)
styleNodes <- getNodeSet(doc, "//style")
removeNodes(styleNodes)
doc

> removeNodes(styleNodes)
NULL
> doc
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<head></head>
<body><img id="corner" src="/sites/HR_ETM/SitePages/img/bottom_bar.png"></body>
</html>

> 


要选择注释节点，请使用：


commentNodes <- getNodeSet(doc, "//comment()")



commentNodes这似乎不完整。OP不想要
内容，他想要去掉
标记后剩下的内容，标记是它们之间的文本。（我们使用HTML解析器很好；使用regexps处理HTML只能做一些琐碎的事情。）谢谢@agstudy。这回答了OP问题中的示例。我想知道他们发表评论说这只是一个例子，他们的真实文本可能包含任何其他任意HTML标记之前多久。在这一点上，我假设这个答案将不再有效？我将发布一个更好的答案：）我将回顾如何否定xpath元素：）@agstudy伟大的方法。只是出于好奇，有没有办法否定
样式
标记，这样它就删除了这些内容，而其他所有内容都被抛在了后面？如果有其他形式的内容（比如
标签），你的方法不会抓住它们。事实上，我也会：）但我认为你可能会遇到一些性能问题，因为你需要阅读所有的DOM。公平点说，我想OP需要澄清他们想要返回什么谢谢！顺便问一下，如何将文档转换为字符？我们正在尝试使用
styleNodes使用
getNodeSet（doc，“//comment（）”）


> saveXML(doc)
[1] "<!DOCTYPE html PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\" \"http://www.w3.org/TR/REC-html40/loose.dtd\">\n<html>\n<head></head>\n<body><img id=\"corner\" src=\"/sites/HR_ETM/SitePages/img/bottom_bar.png\"></body>\n</html>\n"



commentNodes <- getNodeSet(doc, "//comment()")