私はパッケージtmを使用しています。私はhtml文書でいっぱいのコーパスを持っており、htmlタグ以外のすべてを削除したいと思います。私は数日間それをしようとしてきましたが、私は良い解決策を見つけることができないようです。例えばコーパスからhtmlタグを除くすべてを削除する
、のは、私はこのような文書を持っているとしましょう：
<html>
<body>
<h1>hello</h1>
</body>
</html>
私は、文書は次のようになりたいでしょう：
<html> <body> <h1>
（または終了タグと、私は「ドン私の目標は、各タグがドキュメントで何回使用されたのかを数えることです。
私はtmに精通していませんが、正規表現を使用してこれを行う方法は次のとおりです。
（前提：あなたの文字列が開始され、HTMLタグで終わる）
str <- "<html><body><p>test<p>test2</body></html>"
str <- gsub(">[^<^>]+<", "> <", str) # remove all the text in between HTML tags, leaving only HTML tags (opening and closing)
str <- gsub("</[^<^>]+>", "", str) #remove all closing HTML tags.
ご希望の文字列を残すでしょう。
RegExを初めてお使いの場合は、詳細についてはthis siteをご覧ください。基本的には、上の最初の部分は、開かれた括弧ではない（すなわち、非タグのすべてのテキスト）>と<の間のすべてのテキストを置き換えることになります。例を見て、あなたは上記のリンクでhttp://rss.acs.unt.edu/Rdoc/library/XML/html/xmlTreeParse.html
のようなものになります文字列
から終了タグを削除 - 二GSUBは</で始まり、何も>で終わるすべてのテキストを置き換えますコード。エンティティの印刷方法を示すセクションがあります。私はこのパッケージを使用していないので、直接保証することはできません。
（1）gsubfn
/、>またはスペースではなく、タグにそれを抽出するものに続く入力文字列は、（それが改行を含んでいてもよい）、これは<一致sしていると仮定します。 table関数は出現を集計します。たとえば
library(gsubfn)
tags <- strapply(tolower(s), "\\<([^/> ]+)", c, simplify = unlist)
table(tags)
、
s <- "<html>
<body>
<h1>hello</h1>
</body>
</html>"
tags <- strapply(tolower(s), "\\<([^/> ]+)", c, simplify = unlist)
table(tags)
は、この与える：あなたのファイルが非常に大きい場合
tags
body h1 html
1 1 1
を、その後the development version of gsubfnstrapplycと呼ばれる高速なバージョンがあります。
（2）XML
引用文字列と他の境界例で<と>記号がある場合は、上記のアプローチは混乱して得ることができます。そことにかく、あなたの入力のいずれかのような場合ではないかもしれないが、念のために、この第2のアプローチは、その問題を持つべきではありません。
library(XML)
doc <- htmlTreeParse(tolower(s), asText = TRUE, useInternalNodes = TRUE)
tags <- xpathSApply(doc, "//*", xmlName)
table(tags)
これはうまくいくかもしれない彼は本当に簡単なHTMLを持っていますが、一般的に、あなたが正規表現で解析HTMLをカント場合。例えば、これは属性をストリングしません。 – frankc
@frankcあなたがそのコメントを残そうとするなら、本当に[The Question]（http://stackoverflow.com/q/1732348/324364）にリンクする必要があります。 :) – joran