如何从R中含有特殊字符和词的字符串中提取标题

Question

我有一个很长的字符串，包含了单词和字符的混合。

<h4>        <a href="/forum?id=SyBPtQfAZ">          Improving Discriminator-Generator Balance in Generative Adversarial Networks        </a>          <a href="/pdf?id=SyBPtQfAZ" class="pdf-link" title="Download PDF" target="_blank"><img src="/static/images/pdf_icon_blue.svg"/></a>              </h4>

我只需要摘取标题：

Improving Discriminator-Generator Balance in Generative Adversarial Networks

我知道R有能力在两个字符之间提取单词，例如：

sub(">.*<", "", my_string)

但这显然是行不通的，因为有许多字符的混合。

Answer 1

您可能应该在这里使用HTML解析器。话虽如此，使用gsub的下列一条班轮可能会工作：

gsub(".*?<a href=[^>]*>\\s*(.*?)\\s*</a>.*", "\\1", input)

我说可能是因为我做了许多假设，包括标题锚标记是第一个，并且没有嵌套的内容。在实践中，您可以尝试使用HTML/XML解析器进行更大的控制。

​

Demo

​

Answer 2

假设u是您获得此HTML的URL，则HTML解析解决方案可能如下所示：

library(rvest)
titles <- read_html(u) %>%
  html_nodes("a[href^='/forum']") %>% 
  html_text() %>%
  trimws()

这假设标题的href以/forum开头，并使用trimws删除前导和尾随空格。

Answer 3

You should not rely on regex for parsing HTML/XML --它非常脆弱，容易断裂。考虑使用rvest。您可以从任何源获取HTML和read_html()来解析它。html_text()只提取文本元素，trimws减少了经常存在于HTML中的多余空白。

library(rvest)
string = '<h4>        <a href="/forum?id=SyBPtQfAZ">          Improving Discriminator-Generator Balance in Generative Adversarial Networks        </a>          <a href="/pdf?id=SyBPtQfAZ" class="pdf-link" title="Download PDF" target="_blank"><img src="/static/images/pdf_icon_blue.svg"/></a>              </h4>'
read_html(string) %>% 
  html_text() %>% 
  trimws()