使用 R 中的正则表达式提取某些符号之间的文本答案

【问题标题】：Extract text between certain symbols using Regular Expression in R使用 R 中的正则表达式提取某些符号之间的文本
【发布时间】：2014-11-07 20:50:35
【问题描述】：

我有一系列的表达方式如：

"<i>the text I need to extract</i></b></a></div>"

我需要提取 和“符号”之间的文本。也就是说，结果应该是：

"the text I need to extract"

目前我在 R 中使用 gsub 手动删除所有非文本符号。但是，我想使用正则表达式来完成这项工作。有谁知道提取 和 之间的正则表达式吗？

谢谢。

【问题讨论】：

标签： regex r

【解决方案1】：

如果只有一个 ... （如示例中所示），则匹配直到  的所有内容以及来自  的所有内容，并将它们都替换为空字符串：

x <- "<i>the text I need to extract</i></b></a></div>"
gsub(".*<i>|</i>.*", "", x)

给予：

[1] "the text I need to extract"

如果同一字符串中可能出现多次，请尝试：

library(gsubfn)
strapplyc(x, "<i>(.*?)</i>", simplify = c)

在此示例中给出相同的内容。

【讨论】：

【解决方案2】：

这种方法使用我维护的一个包qdapRegex，它不是正则表达式，但可能对您或未来的搜索者有用。函数rm_between 允许用户在左右边界之间提取文本，并可选择包含它们。这种方法很简单，因为您不必考虑特定的正则表达式，只需考虑确切的左右边界：

library(qdapRegex)

x <- "<i>the text I need to extract</i></b></a></div>"

rm_between(x, "<i>", "</i>", extract=TRUE)

## [[1]]
## [1] "the text I need to extract"

我会指出，使用 html 解析器来完成这项工作可能更可靠。

【讨论】：

+1 用于指出该文本应使用 html 解析器

【解决方案3】：

如果这是 html（看起来就是这样），您可能应该使用 html 解析器。包XML可以这样做

library(XML)
x <- "<i>the text I need to extract</i></b></a></div>"
xmlValue(getNodeSet(htmlParse(x), "//i")[[1]])
# [1] "the text I need to extract"

在整个 html 文档上，你可以使用

doc <- htmlParse(x)
sapply(getNodeSet(doc, "//i"), xmlValue)

【讨论】：

IMO 这是最好的答案，因为它是最可靠的。我在解析 HTML 时遇到了这些幻灯片，我发现它们非常出色：gastonsanchez.com/work/webdata/…

【解决方案4】：

如果您不知道字符串中的匹配数，您可以对gregexpr 和regmatches 使用以下方法。

vec <- c("<i>the text I need to extract</i></b></a></div>",
         "abc <i>another text</i> def <i>and another text</i> ghi")

regmatches(vec, gregexpr("(?<=<i>).*?(?=</i>)", vec, perl = TRUE))
# [[1]]
# [1] "the text I need to extract"
# 
# [[2]]
# [1] "another text"     "and another text"

【讨论】：

【解决方案5】：

<i>((?:(?!<\/i>).)*)<\/i>

这应该为你做。

【讨论】：