r-只保留标签的文本

Question

在具有格式化标签(如(的文本中

data.frame(id = c(1, 2), text = c("something here <h1>my text</h1> also <h1>Keep it</h1>", "<h1>title</h1> another here"))

如何使用逗号分隔选项？<h1> </h1>:中只存在文本

data.frame(text = c("my text, Keep it", "title"), id = c(1, 2))

Answer 1

我们可以使用str_extract_all。使用regex lookaround，获取标记后的字符，然后在list输出和paste上循环提取的字符串

library(stringr)
data.frame(text = sapply(str_extract_all(df1$text, "(?<=<h1>)[^<]+"), 
paste, collapse=", "), id = df1$id)
#               text id
#1 my text, Keep it  1
#2            title  2

Answer 2

您可以使用网页抓取技能。

library(rvest)
sapply(df$text, function(x) {
read_html(x) %>% html_nodes(css = "h1") %>% html_text %>% toString
}, USE.NAMES = F)
# [1] "my text, Keep it"
# [2] "title"

Answer 3

如果您想使用quanteda，您可以处理将其转换为语料库，然后通过两个corpus_segment()调用进行处理，一个用于获取之前的文本，另一个用于选择之后的文本。然后，可以使用texts(x, groups = docid())对文本进行重新分组，指定spacer = ", "。

以下是如何使用您想要的输出：

library("quanteda")
## Package version: 2.1.1
df <- data.frame(
id = c(1, 2),
text = c("something here <h1>my text</h1> also <h1>Keep it</h1>", "<h1>title</h1> another here")
)
charvec <- corpus(df, docid_field = "id") %>%
corpus_segment("</h1>", pattern_position = "after") %>%
corpus_segment("<h1>", pattern_position = "before") %>%
texts(groups = docid(.), spacer = ", ")

然后将其转换为您想要的data.frame：

data.frame(text = charvec, id = names(charvec))
##               text id
## 1 my text, Keep it  1
## 2            title  2