R xml遇到和处理xml文件中的html实体答案

【问题标题】：R xml encountering and dealing with html entities in an xml fileR xml遇到和处理xml文件中的html实体
【发布时间】：2012-06-02 08:54:00
【问题描述】：

Hello R 的 XML 包用户，

我在解析 XML 时遇到了一个奇怪的错误。它与在解析 XML 文件时遇到诸如 mdash 和 ndash 之类的 HTML 实体有关。

这是我使用的代码：

InText = readLines(xmlFileName,n=-1)
Text = xmlValue(xmlRoot(xmlTreeParse(InText,trim=FALSE)))

我目前正在使用以下方法消除这些实体，例如 mdash 和 ndash

InText = gsub("\\&mdash"," ",InText);
InText = gsub("\\&ndash"," ",InText);

但这确实很乏味，因为我看到了可能的 HTML.4.0 实体列表。

关于如何在解析 XML 文件时消除这些问题的任何想法

非常感谢您的帮助和想法希瓦尼

【问题讨论】：

标签： html xml r xml-parsing html-entities

【解决方案1】：

在 XML 包中尝试 readHTML；它有强大的方法可以处理很多这样的情况。另见Scraping html tables into R data frames using the XML package。

【讨论】：

【解决方案2】：

如果您只是想删除所有命名的 HTML 实体，请使用正则表达式：

library("XML")

InText <- "<html>\
<head>\
    <title>Test &amp; Test again</title>\
</head>\
    <body>Hello &nbsp; world</body>\
</html>"

InText <- gsub("\\&[^;]+;","",InText)

Text <-  xmlValue(xmlRoot(xmlTreeParse(InText,trim=FALSE)))

【讨论】：