如何仅调用一次gsub从HTML字符串提取R包文件名（仅用R基础函数）

当然可以简化！我们只需要写一个精准的正则表达式，一次调用gsub()就能从你的HTML字符串里提取出所有R包的zip文件名，完全用R基础函数实现：

实现代码 #

string <- c("<tr><td valign=\"top\"><img src=\"/icons/compressed.gif\" alt=\"[ ]\"></td><td><a href=\"ABC.RAP_0.9.0.zip\">ABC.RAP_0.9.0.zip</a></td><td align=\"right\">2018-03-20 21:52 </td><td align=\"right\">4.6M</td><td> </td></tr>", "<tr><td valign=\"top\"><img src=\"/icons/compressed.gif\" alt=\"[ ]\"></td><td><a href=\"ABCanalysis_1.2.1.zip\">ABCanalysis_1.2.1.zip</a></td><td align=\"right\">2017-12-09 13:59 </td><td align=\"right\"> 54K</td><td> </td></tr>", "<tr><td valign=\"top\"><img src=\"/icons/compressed.gif\" alt=\"[ ]\"></td><td><a href=\"ABCoptim_0.15.0.zip\">ABCoptim_0.15.0.zip</a></td><td align=\"right\">2018-03-20 21:53 </td><td align=\"right\">566K</td><td> </td></tr>")

# 单次gsub提取
extracted_names <- gsub('.*href="([^"]+\\.zip)".*', "\\1", string)
extracted_names

输出结果 #

[1] "ABC.RAP_0.9.0.zip"    "ABCanalysis_1.2.1.zip" "ABCoptim_0.15.0.zip" 

正则表达式解释 #

• .*href="：匹配字符串开头到href="的所有内容（贪婪匹配，确保定位到正确的链接位置）
• ([^"]+\\.zip)：这是我们要捕获的核心内容，[^"]+表示匹配任意非双引号的字符（避免越过当前链接），\\.zip确保我们只提取以.zip结尾的文件名，括号用来标记捕获组
• .*：匹配".zip"之后的所有剩余内容
• \\1：替换时只保留第一个捕获组的内容，也就是我们需要的R包文件名

这样就完全替代了原来两次调用gsub()的逻辑，更简洁高效~

内容的提问来源于stack exchange，提问作者Jilber Urbina