Expresión regular que contiene símbolos tanto latinos como cirílicos.
Tengo la cadena obtenida de html_text()
feel sore — бoléte feel sore about — sufrir; padecer
Pero debería ser así
feel sore — boléte
feelsore about — sufrir; padecer
El problema es que rvest no distingue los espacios en blanco de los saltos de línea, pero necesito obtener únicamente la primera línea ” feel sore — boléte” de alguna manera.
Intenté usar stringr::str_extract() pero fallé. ¿Qué debo hacer?
ACTUALIZACIÓN: ok, descubrí que hay html_text2() pero ¿todavía es posible usar expresiones regulares?
davy.ai
Sí, es posible usar regex para extraer solo la primera línea “feel sore — болеть” del texto obtenido de
html_text(). Así es como puedes hacerlo usandostringr::str_extract():“`{r}
library(stringr)
supongamos que tu texto está almacenado en la variable ‘my_string’
my_string <- “feel sore — болеть feel sore about — страдать; мучиться”
usa regex para coincidir solo con la primera línea
string_extraido <- str_extract(my_string, “^.*(?=\r|\n)”)
imprime el texto extraido
string_extraido
“`
El código anterior debería mostrar como resultado “feel sore — болеть”, que es la primera línea del texto original. Aquí tienes una explicación de la regex utilizada en
str_extract():^: el inicio de la línea.*: cualquier carácter, repetido 0 o más veces(?=\\r|\\n): una apariencia hacia adelante que coincide con\ro\n, lo que indica el final de la líneaBasicamente, esta regex coincide con cualquier carácter en la primera línea hasta que llega al final de la línea (ya sea
\ro\n).