移除HTML标签间指定内容并拆分字符串的R语言技术问询

步骤1：清除标签及其中内容 #

使用stringr包的str_replace_all()函数，通过正则表达式匹配所有<zt>与</zt>之间的内容（包括标签本身），并替换为空字符串：

library(stringr)

example_str <- "<tx><zt>some title</zt><zt>some subtitle</zt>
<p>Here comes the actual text that I want to keep.</p>
<zt>some title</zt><zt>some subtitle</zt>
<p>Here comes the actual text that I want to keep.</p></tx>"

# 第一步清理：移除所有<zt>标签及内容
cleaned_step1 <- str_replace_all(example_str, "<zt>.*?</zt>", "")

执行后cleaned_step1的结果即为预期的第一次清理字符串：

"<tx>
<p>Here comes the actual text that I want to keep.</p>
<p>Here comes the actual text that I want to keep.</p></tx>"

步骤2：提取

标签内文本并转为字符串向量 #

使用str_extract_all()函数，结合正则捕获组提取<p>标签内的文本内容，再转为向量：

# 第二步清理：提取<p>标签内的文本
cleaned_step2 <- str_extract_all(cleaned_step1, "<p>(.*?)</p>", simplify = TRUE)[,2]

执行后cleaned_step2的结果即为预期的字符串向量：

c("Here comes the actual text that I want to keep.", "Here comes the actual text that I want to keep.")

关键说明 #

• 正则表达式.*?是非贪婪匹配，确保只匹配单个<zt>或<p>标签对之间的内容，避免跨标签匹配。
• 如果未安装stringr包，先执行install.packages("stringr")完成安装。

内容的提问来源于stack exchange，提问作者Nick Glättli