我正在R上进行文本挖掘作业,并且有一个包含一些html文档的语料库。我想删除<style>
标签及其之间的所有文本,最好使用gsub函数。
例:
转这个:
<style>
.s4-tn{
border-left: 1px #0071C5 solid;
padding: 0px;
margin: 0px;
font-family: "Intel Clear", Verdana, verdana, san-serif;
font-size: 15px;
font-weight: lighter;
color: #0071C5; }
.s4-toplinks .s4-tn a.selected:hover{
color:#1F497D;
text-decoration: none;
}
</style>
<img id="corner" src="/sites/HR_ETM/SitePages/img/bottom_bar.png"/>
对此:
<img id="corner" src="/sites/HR_ETM/SitePages/img/bottom_bar.png"/>
我会用 removeNodes
library(XML)
doc <- htmlParse(txt,asText=TRUE)
styleNodes <- getNodeSet(doc, "//style")
removeNodes(styleNodes)
doc
> removeNodes(styleNodes)
NULL
> doc
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<head></head>
<body><img id="corner" src="/sites/HR_ETM/SitePages/img/bottom_bar.png"></body>
</html>
>
要保存编辑的内容XML
,可以使用saveXML
:
> saveXML(doc)
[1] "<!DOCTYPE html PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\" \"http://www.w3.org/TR/REC-html40/loose.dtd\">\n<html>\n<head></head>\n<body><img id=\"corner\" src=\"/sites/HR_ETM/SitePages/img/bottom_bar.png\"></body>\n</html>\n"
要选择评论节点,请使用:
commentNodes <- getNodeSet(doc, "//comment()")
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句