从 html 文件中提取文件名

Question

这是我正在处理的字符串示例

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>&nbsp;</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>&nbsp;</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>&nbsp;</td></tr>")

此字符串由

生成

readLines("https://dirichlet.mat.puc.cl/bin/windows/contrib/3.3/")

我需要提取 R 包名称。我可以像这样使用 sub 来做到这一点：

> gsub("(.\.zip).*", "\1", sub(".*href[[:punct:]]{2}", "", string))
[1] "ABC.RAP_0.9.0.zip"     "ABCanalysis_1.2.1.zip" "ABCoptim_0.15.0.zip"

如您所见，我使用了 gsub 两次，我正在寻找一种更简单的方法，只需调用一次 gsub 即可。我只想使用 R 基本函数来完成它。

Answer 1

不要使用 RegEx 来解析 HTML。像这样用 rvest

试试

library(rvest)

url <- 'https://dirichlet.mat.puc.cl/bin/windows/contrib/3.3/'

packageList <- url %>% read_html() %>% html_nodes("a") %>% html_text()

# remove extra entries
packageList <- packageList[7:length(packageList)]

head(packageList)

[1] "A3_1.0.0.zip"           "ABC.RAP_0.9.0.zip"      "ABCanalysis_1.2.1.zip"  "ABCoptim_0.15.0.zip"    "ABCp2_1.2.zip"         
[6] "ABHgenotypeR_1.0.1.zip"

Answer 2

我可以使用这个简单的正则表达式解决我的问题：

> gsub(".*>(.*\.zip)<.*", "\1", string)
[1] "ABC.RAP_0.9.0.zip"     "ABCanalysis_1.2.1.zip" "ABCoptim_0.15.0.zip"

从 html 文件中提取文件名

Extracting file names from html file

regex

string

r

extract