正则表达式从R中的字符串中提取

Question

我有一个字符串

string = <td class=\"title\"><a href=\"/title/tt0075669/\">Amar Akbar Anthony</a><div class=\"desc_preview\" title=\"10/10&#10;votes 2\"> </div>\n</td>

我正在使用代码

library(stringr)
str_extract(string,"[A-Z]\\w+")

为此我得到了结果

> str_extract(string,"[A-Z]\\w+")
[1] "Amar"

但是我想要“Amar Akbar Anthony”作为我的输出。我应该如何为此适本地更改我的正则表达式？

Answer 1

编辑:糟糕!我误解了你的问题。我通常从两个 HTML 标记之间提取内容的方法是在“>”上使用正向后视，然后读取所有内容直到下一个“<”。

string = "<td class=\"title\"><a href=\"/title/tt0075669/\">Amar Akbar Anthony</a><div class=\"desc_preview\" title=\"10/10&#10;votes 2\"> </div>\n</td>"

str_extract(string,"(?<=>)[^<]+")

这有点脆弱。更好的答案是您不使用正则表达式来解析 HTML。 (来自 XML library 的 htmlTreeParse() 是一种方法；httr package 也有一个函数。)

我原来的答案，将所有单词提取为一个列表:

从 str_extract() 切换到 str_extract_all()

str_extract(string,"[A-Z]\\w+")
[1] "Amar"

str_extract_all(string,"[A-Z]\\w+")
[[1]]
[1] "Amar"    "Akbar"   "Anthony"