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) {

  return(gsub("<.*?>", "", htmlString))

}

这也将与同一字符串中的多个html标签一起使用！