r - 如何从包含R中特殊字符和单词混合的字符串中提取标题

Question

我有一个包含单词和字符混合的长字符串。

<h4>        <a href="/forum?id=SyBPtQfAZ">          Improving Discriminator-Generator Balance in Generative Adversarial Networks        </a>          <a href="/pdf?id=SyBPtQfAZ" class="pdf-link" title="Download PDF" target="_blank"><img src="/static/images/pdf_icon_blue.svg"/></a>              </h4>

我只需要提取标题:

Improving Discriminator-Generator Balance in Generative Adversarial Networks

我知道 R 有能力提取 2 个字符之间的单词，例如:

sub(">.*<", "", my_string)

但这显然在这里行不通，因为有很多字符混合在一起。

Answer 1

您应该在这里使用 HTML 解析器。话虽这么说，以下带有 gsub 的代码 可能 可以工作:

gsub(".*?<a href=[^>]*>\\s*(.*?)\\s*</a>.*", "\\1", input)

我说可能是因为我做了很多假设，包括标题 anchor 标记是第一个标记，并且您没有嵌套内容。实际上，您可以尝试使用 HTML/XML 解析器进行更好的控制。

Demo