从R中的字符串中删除html标签

Question

我正在尝试将网页源代码读入R并将其作为字符串处理。我正在尝试删除段落并从段落文本中删除html标签。我遇到了以下问题：

我尝试实现一个功能来删除html标签：

cleanFun=function(fullStr)

{

 #find location of tags and citations

 tagLoc=cbind(str_locate_all(fullStr,"<")[[1]][,2],str_locate_all(fullStr,">")[[1]][,1]);

 #create storage for tag strings

 tagStrings=list()

 #extract and store tag strings

 for(i in 1:dim(tagLoc)[1])

 {

   tagStrings[i]=substr(fullStr,tagLoc[i,1],tagLoc[i,2]);

 }

 #remove tag strings from paragraph

 newStr=fullStr

 for(i in 1:length(tagStrings))

 {

   newStr=str_replace_all(newStr,tagStrings[[i]][1],"")

 }

 return(newStr)

};

这适用于某些标签，但不适用于所有标签，此示例失败的示例是以下字符串：

test="junk junk<a href=\"/wiki/abstraction_(mathematics)\" title=\"abstraction (mathematics)\"> junk junk"

目标是获得：

cleanFun(test)="junk junk junk junk"

但是，这似乎不起作用。我认为这可能与字符串长度或转义字符有关，但是我找不到涉及这些的解决方案。

Answer 1

这可以通过正则表达式和grep系列简单地实现：cleanFun <- function(htmlString) {&nbsp; return(gsub("<.*?>", "", htmlString))}这也将与同一字符串中的多个html标签一起使用！