难以从字符向量中提取字符串

问题描述 投票:0回答:2

我在使用stringr库命名类的字符向量中提取某些匹配项时遇到麻烦:

classes = read_lines("https://statistics.ucdavis.edu/courses/descriptions-undergrad") %>%
  str_flatten()

classes的一小段:

...collaborative data analysis; complete case study review and team data analysis project. 
Effective: 2019 Fall Quarter.</p><h2>STA 190X—Seminar (1-2)</h2><p>Seminar—1-2 hour(s). Prerequisite(s):
STA 013 or STA 013Y or STA 032 or STA 100 or STA 103. In-depth examination of a special topic in a small 
group setting. Effective: 2018 Spring Quarter.</p><h2>STA 192—Internship in Statistics (1-12)</h2>
<p>Internship—3-36 hour(s); Term Paper...

我可以清楚地看到向量中有“ STA 190X”一词,但似乎无法提取它:

>str_detect(classes, "STA 190X")
[1] FALSE

>str_extract_all(classes, "STA 190X")
[[1]]
character(0)

但是如果我直接将一部分复制并粘贴到该函数中,它将起作用:

> str_detect("</p><h2>STA 190X—Seminar (1-2)</h2>", "STA 190X")
[1] TRUE

> str_extract_all("</p><h2>STA 190X—Seminar (1-2)</h2>", "STA 190X")
[[1]]
[1] "STA 190X"

任何人都知道这是为什么吗?

r tidyverse stringr
2个回答
0
投票
我们可以用rvest进行处理并提取正确的“节点”

library(rvest) library(stringr) library(magrittr) read_html("https://statistics.ucdavis.edu/courses/descriptions-undergrad") %>% html_nodes("h2") %>% html_text() %>% str_c(collapse = ' ') %>% str_extract(., "STA 190X") #[1] "STA 190X"


0
投票
一个简单的解决方案:

您只需要稍微调整一下正则表达式就可以解决这个奇怪的问题(编码?):

str_detect(classes, "STA[^A-z0-9]190X") [1] TRUE

说明:

这是最奇怪的事情:

match_position <- gregexpr("STA[^\\s]*{1}190X", classes)[[1]][1] substr(classes, match_position - 10, gregexpr("STA[^A-z 0-9]{1}190X", classes)[[1]][1] + 17)

上面的代码返回匹配项,匹配项

看起来像字符串'STA 190X',但不是。不可能是因为STA和190X之间不能有空格,因为gregexpr不会抓住它...

"r.</p><h2>STA 190X—Seminar ("
热门问题
推荐问题
最新问题