使用 R 语言中的正则表达式从 HTML 页面中提取日期答案

【问题标题】：Extract Date from HTML page using regex in R language使用 R 语言中的正则表达式从 HTML 页面中提取日期
【发布时间】：2018-06-12 05:53:54
【问题描述】：

如何使用 REGEX 仅提取 title="11:53 AM - 27 May 2018" 中的日期。

仅供参考，这是来自 HTML 页面。我想使用 R 语言将所有这些匹配项提取到一个列表中。

我的输出应该是 2018 年 5 月 27 日。

提前感谢您的宝贵时间:)

【问题讨论】：

我认为您应该使用 DOM 解析器来提取 title 属性。在此之后，您还可以使用正则表达式。

标签： html r regex

【解决方案1】：

考虑到您有要在其中查找日期的页面的 HTML 代码，最简单的方法是使用正则表达式查找代码的所有部分 title="11:53 AM - 27 May 2018" 然后你可以简单地再次使用正则表达式从字符串中提取日期。我已经写了一个基本的代码，你可以根据你的需要修改它并使用它。

first_match <- regexpr(pattern='title\\s*=\\s*"\\d\\d:\\d\\d\\s*(AM|PM)\\s*-\\s*\\d\\d\\s[a-zA-Z]{3}\\s\\d{4}"', str)`
match_str <- regmatches(str,m)
date_exp <- regexpr(pattern='\\d\\d\\s[a-zA-Z]{3}\\s\\d{4}', match_str)
date <- regmatches(match_str, date_exp)

date 是您需要的输出，str 是字符串形式的代码。

【讨论】：

sub(".*-","",your_string) 就是你要找的东西

【解决方案2】：

想通了：

rawHTML <- paste(readLines("D:\\practicum\\CSK.html"), collapse="\n")

b<-unlist(str_match_all(rawHTML, '\\d{2} \\w+ 2018'))

【讨论】：