如何使用 R 在没有分隔符的情况下拆分合并/粘合的单词

编程问答 2022-05-28

问题描述

我正在使用 R 中的 rvest 使用以下代码从本文页面中抓取文本关键字：

#install.packages("xml2") # required for rvest
library("rvest") # for web scraping
library("dplyr") # for data management

#' start with get the link for the web to be scraped
page <- read_html("https://www.sciencedirect.com/science/article/pii/S1877042810004568")
keyW <- page %>% html_nodes("div.Keywords.u-font-serif") %>% html_text() %>% paste(collapse = ",")

它给了我：

> keyW    
[1] "KeywordsPhysics curriculumTurkish education systemfinnish education systemPISAphysics achievement"

使用这行代码从字符串中删除单词“Keywords”及其之前的任何内容后：

keyW <- gsub(".*Keywords","",keyW)

新的keyW是：

[1] "Physics curriculumTurkish education systemfinnish education systemPISAphysics achievement"

但是，我想要的输出是这个列表：

[1] "Physics curriculum" "Turkish education system" "finnish education system" "PISA" "physics achievement"

我应该如何解决这个问题？我认为这归结为：

  1. 如何正确地从网站上抓取关键字
  2. 如何正确拆分字符串

谢谢

解决方法

如果您使用 span 标记提取单词，您将直接获得预期的输出。

library(rvest)
page %>%  html_nodes("div.Keywords span") %>% html_text()

#[1] "Physics curriculum"       "Turkish education system" "finnish education system"
#[4] "PISA"                     "physics achievement"
gsubrrrveststrsplittext-mining