从R中的语料库中删除html标签[重复]

【问题标题】：Remove html tags from a corpus in R [duplicate]从R中的语料库中删除html标签[重复]
【发布时间】：2018-08-30 08:15:03
【问题描述】：

我正在尝试从 R 中的语料库（文档）中删除 html 标记：

tags : </P></TEXT>  </BODY> <TRAILER> NYT-06-22-98 1759EDT &QL; </TRAILER> </DOC>

我正在使用的代码：

tun<-function(x) gsub("<TRAILER>,<HTML>,<BODY>,<P>,<TEXT>,</P>,</TEXT>,
</BODY>,</HTML>", "", x)
docs <- tm_map(docs, tun)

但它无法从语料库中删除标签，这是为什么？

【问题讨论】：

标签： r text-mining gsub information-retrieval

【解决方案1】：

如果您想删除所有打开和关闭 HTML 标记，那么您可以尝试查找模式 </?[^>]+> 并替换为空字符串：

x <- "tags : </P></TEXT>  </BODY> <TRAILER> NYT-06-22-98 1759EDT &QL; </TRAILER> </DOC>"
gsub("</?[^>]+>", "", x)


[1] "tags :     NYT-06-22-98 1759EDT &QL;  "

Demo

作为一个主要的免责声明，通常您应该不使用正则表达式来解析 HTML/XML 内容。在这种特殊情况下，如果您只想去除所有标签，gsub 可能是一个可行的选择。

【讨论】：

是的，我只是想从文档中删除所有标签。谢谢。
@akrun 你是对的，这是一个骗子，我没想过要检查。对我不好。