在R中检索标签内的文本答案

【问题标题】：retrieve text inside tags in R在R中检索标签内的文本
【发布时间】：2013-08-11 14:43:00
【问题描述】：

我正在尝试从包含标签的文本文件中检索信息，例如：

<name> Joe </name>

文本文件由多行组成，其中一些包含更多这些标签（例如，身高和体重），而一些仅包含其他文本。我将文本文件称为“工作表”（参见下面的代码）。

我想检索标签之间的文本。为此，我提出了以下解决方案：

m1 <- regexpr("<name> [a-zA-Z]+ </name>", sheet)
m2 <- regmatches(sheet,m1)
m3 <- gsub("<name> ", "", gsub(" </name>", "", m2))
m3

我以前没有使用过正则表达式，但我想知道我的“正则匹配”是不是绕道而行。似乎应该有更直接的方法来检索标签内的文本？

谢谢，

理查德

【问题讨论】：

标签： regex r tags

【解决方案1】：

您可以通过一个gsub 调用来做到这一点。因此，您通过( 和) 围绕您的模式创建了一个组。可以使用数字\\1（反向引用）访问该组，例如：

sheet <- "<name>foobar</name>"
gsub(pattern="<name>([a-zA-Z]+)</name>", replacement="\\1", x=sheet)
# [1] "foobar"

但正如@DieterMenne 建议的那样，您应该尝试 HTML 的 XML 包（它支持XPath）：

library("XML")
doc <- xmlParse("<html><name>foobar</name></html>")
xpathSApply(doc, "//name", xmlValue)
# [1] "foobar"

【讨论】：