在 R 中使用通配符过滤语义标签之间的单词

Question

我有一个数据集，它有一个特征主体，其中所有文本都来自 html 文件，并包含像这样的语义标签，

获得了 6 托尼提名本周，其中包括尼永奥（最佳女主角）的提名。 黯然失色作为第一部百老汇戏剧也具有重要意义。演员阵容和创意团队全部由黑人、女性和非洲裔组成。 （该剧由 Danai Gurira 编剧，他还在《行尸走肉》中扮演米琼恩。） \n

我想使用通配符删除语义标记之间的所有文本。有办法这样做吗？

我的逻辑是删除注释标签及其内部的所有内容。

Answer 1

假设您的数据框如下所示

df <- data.frame(text = '</strong>earned six <a href="http://www.vox.com/2016/5/3/11576244/tony-award-nominations-hamilton">Tony nominations</a> this week, including one for Nyong\'o (Best Actress in a Leading Role). <em>Eclipsed</em> is also significant for being the <a href="http://www.vox.com/identities/2016/5/3/11578062/eclipsed-play-tony-nomination">first Broadway play</a> to feature a cast and creative team that is entirely black, female, and of African descent. (The play was written by Danai Gurira, who also plays Michonne on <em>The Walking Dead</em>.)</p> \n<p><!--  ########  BEGIN SNIPPET  ########  -->')

，那么您可以使用

df$new_text <- gsub("<!--.*-->", "", df$text)

在新列 new_text 中获取所需的输出。