R删除字符串中通配符周围的字符

Question

我有一个向量，列出了在包含 URL 的网站中找到的各种类型的 HTML，其特征是通配符：([^<]* )。到目前为止，我已经能够将链接拉入我需要的数据框中，但无法清理它们以便可以访问它们。

如何在不影响 URL 的情况下删除所有标签？

# Vector of HTML tags surrounding URL
x <- c('\t\t\t<div><a href=\"([^<]*)\">([^<]*)</a></div>','\t\t</tr><tr><td><a href=\"([^<]*)\">([^<]*)</a></td>','\t\t\t<td><a href=\"([^<]*)\">([^<]*)</a></td>')

输入：

URL <- "https://www.atf.gov/resource-center/data-statistics"
html <- paste(readLines(URL))

输出：

Link	Title
"https://www.atf.gov/file/144871/download"	Canada 2014-2019
"https://www.atf.gov/node/79436"	2019

我目前正在使用的代码：

dlall <- list()
for(i in x){
  datalines <- grep(i,html,value=TRUE)
  dl_all <- rbind(data.frame(datalines), data.frame(dl_all))
  }

Answer 1

类似于 Wiktor Stribiżew 使用 R >= 4.1:

library(rvest)
url <- "https://www.atf.gov/resource-center/data-statistics"
df <- read_html(url) |> html_nodes("a") |> 
  {\(x) data.frame(
    Link = x |> html_attr("href"),
    Title = x |> html_text())
  }()

给予：

tail(df)
                                                        Link                              Title
203    https://www.justice.gov/jmd/eeo-program-status-report                        No Fear Act
204 https://oig.justice.gov/hotline/whistleblower-protection Whistleblower Rights & Protections
205                        https://www.atf.gov/home/site-map                           Site Map
206 https://www.atf.gov/resource-center/accessibility-policy           Accessibility & Plug-Ins
207                              https://www.atf.gov/<front>                            ATF.gov
208                                  https://www.justice.gov         U.S. Department of Justice

R删除字符串中通配符周围的字符

R remove characters surrounding wildcard in string

html

r

replace

gsub