Fonctions utiles au traitement des chaines caracteres

**B65AcR** · 22/08/2012, 19h49

Bonjour,

Je cherche à extraire des données d'une page html, afin de remplir des cellules d'un tableau.
J'ai besoin pour cela de trouver des mots, ou des nombres placés entre tel et tel mots ou caractères.
Un excellent blog (puis-je le mettre en lien?) explique simplement et en français comment utiliser les fonctions dérivées de string, mais subsistent bien des interrogations concernant : sub, gsub, grep, match, regexpr, strsplit.

Pourriez-vous m'expliquer et poster un exemple commenté par fonction?

Merci beaucoup par avance, je ne trouve rien de vraiment explicite ailleurs.

++

**Guinue** · 23/08/2012, 13h21

Bonjour,

Serait-ce ce blog? http://www.duclert.org/Aide-memoire-...caracteres.php

Il est très bien fait, n'offre pas toujours toutes les réponses aux questions mais bien souvent, y jeter un oeil suffit à débloquer une situation.

Si tu as des questions dans l'utilisation des expression régulières je suis là (mais je n'ai pas la science infuse...

)

A bientôt

**vchouraki** · 23/08/2012, 14h29

Bonjour,

Sinon vous pouvez essayer ceci:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
library(XML)
?readHTMLTable

HTH

Vincent

**B65AcR** · 25/08/2012, 11h47

Guinue, il s'agit de ce blog : http://alea.fr.eu.org/

Je connaissais le blog que tu indiques, qui est déjà un premier pas dans les explications, mais il me servira plus de mémo une fois que je serai familiarisé avec les fonctions. Les explications y sont très brèves et il n'y a pas d'exemple.

Par exemple, il est écrit:
sub(pattern, replacement, vect) : remplace la première occurrence du pattern par replacement dans chaque élément de vect.

Quand je tape le code ci dessous, je ne parviens pas à comprendre la fin d'explication "chaque élément de vect".

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
texte<- "la lune est un satellite"
sub("l","OO", texte)
[1] "OOa lune est un satellite"

**B65AcR** · 25/08/2012, 11h49

Envoyé par vchouraki

Bonjour,

Sinon vous pouvez essayer ceci:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
library(XML)
?readHTMLTable

HTH

Vincent

Quand je tape, library(XML) R me renvoie, "Erreur dans library(XML) : aucun package nommé ‘XML’ n'est trouvé"

**Guinue** · 25/08/2012, 16h21

Bonjour,

Pour ce qui est de library(XML), as-tu téléchargé et installé le package XML?
Ce n'est pas un package de base, d'où la necessité de l'appeler par la fonction library.

Pour sub(), ton vecteur texte ne contient bien qu'un élément, une chaine de caractères, dans lequel il remplace le premier "l" qu'il trouvera par une autre chaine de caractères de ton choix.
Ici tu remplaces la première lettre puisque c'est un "l" par "00", et c'est tout.
Si tu veux remplacer tous les "l" voir la fonction gsub("chaine recherchée","chaine de remplacement",vecteur à parcourir, perl=T ).
C'est là que ça devient intéressant avec l'utilisation des expressions régulières --> http://ciam.inra.fr/r4ciam/node/148

A plus!

**B65AcR** · 25/08/2012, 20h10

Merci à tous les 2, vos informations vont certainement m'aider... une fois que j'aurai lu tout ça.

**B65AcR** · 28/08/2012, 21h02

Bonjour,

Je viens d'essayer ce code sur un fichier txt contenant un code source html

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
txt <- read.table("CodeSource.txt", sep=">",header=FALSE, fill=TRUE)
gsub('[[:space:]]+', ' ', txt)
write.table (txt, file = "SansEspaceTxt.txt")

Le résultat me laisse des espaces ressemblant à des tabulations.
En plus, la numérotation des lignes est interrompue au niveau de ces blancs.
C'est embêtant pour la suite de mon code car je voudrais me servir des numéros de lignes pour me déplacer dans mon texte.

Guinue, ou quelqu'un d'autre, pourrais-tu me débloquer?

++

**vchouraki** · 28/08/2012, 23h26

Bonjour,

Pourriez-vous illustrer un peu plus? Avec un morceau de code html à problème et un morceau de votre data.frame en plus du code si c'est possible.

Vincent

**B65AcR** · 30/08/2012, 10h43

voici le bout de code source. une fois la fonction précédente appliquée, il reste de larges espaces vides sur plusieurs lignes.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
 
		<a id="aujourdhuiLink" href="/_d2012-08-29?">
			Aujourd'hui</a>
		<a id="demainLink" href="/_d2012-08-30?">
			Demain</a>
    </div>
    <script type="text/javascript">
			var bLinkCalendrier = new YAHOO.widget.Button("selectedDateLink");
			YAHOO.util.Event.onContentReady("grtdes", function (){
                   var bLinkHier = new YAHOO.widget.Button("hierLink");
                   var bLinkAujourdhui = new YAHOO.widget.Button("aujourdhuiLink");
                   var bLinkDemain = new YAHOO.widget.Button("demainLink");
			});                                
    </script>
	<input type="hidden" id="selectedDateValue" value="16/08/2012">
	<div id="calContainer" style="display:none;"></div>
</div></div>
</div>	<div class="yui-gc cartouche">
<BR>
		<!-- nom qsdf -->
		<div class="yui-u first nom">
			jeudi&nbsp;:&nbsp;
			n&nbsp;(x)
		</div>
 
		<!-- liens  -->
		<div class="yui-u">
			<div class="lien">
				x | <a href="/2012-08-16_d2012-08-16#y">
								fds</a>
						 | <a href="/2012-08-16_d2012-08-16#y">
								L'Aers</a>
						 | <a href="/ys-iop-poi/2012-08-16_d2012-08-16#y">
								s</a>
						 | <a href="/ys-iop-poi/2012-08-16_d2012-08-16#y">
								oy</a>
						 | <a href="/ys-iop-poi/2012-08-16_d2012-08-16#y">
								Ds</a>
						</div>
		</div>
 
		<!-- f grt -->
		<div class="yui-u first nomgrt">
			<span class="TQQ">
			<strong>
 
						1<sup>ère</sup> grt - 
					jklm dfd Ge</strong>
			</span>
		</div>
		<!-- INSCRIPTION -->
		<div class="yui-u INSCRIPTION s">
			<!-- liens vers les autres iopqsdf -->
			<span class="ndzqerogrt fond">1</span>	
					<a href="/2012-08-16-gfdqgrg-poi-jklms_c459408"	accesskey="2">
							<span class="numerogrt ">2</span>
						</a>
					<a href="/2012-08-16-gfdqgrg-poi-jklme_c459409"	accesskey="3">
							<span class="numerogrt ">3</span>
						</a>
					<a href="/2012-08-16-gfdqgrg-poi-jklms_c459410"	accesskey="4">
							<span class="numerogrt M">4</span>
						</a>
					<a href="/2012-08-16-gfdqgrg-poi-jklm-ma_c459411"	accesskey="5">
							<span class="numerogrt M">5</span>
						</a>
					<a href="/2012-08-16-gfdqgrg-poi-jklm-t_c459412"	accesskey="6">
							<span class="numerogrt ">6</span>
						</a>
					<a href="/2012-08-16-gfdqgrg-poi-jklm-as_c459413"	accesskey="7">
							<span class="numerogrt ">7</span>
						</a>
					<a href="/2012-08-16-gfdqgrg-poi-jklm-l_c459414"	accesskey="8">
							<span class="numerogrt ">8</span>
						</a>
					<br>
			<!-- pictos fresdfr -->
			<img src="/web/images/pictos/azerty/1_01.gif" alt="f">
			<img src="/web/images/pictos/azerty/01.gif" alt="fer">
			<img src="/web/images/pictos/azerty/21.gif" alt="sdf">
			<img src="/web/images/pictos/azerty/31.gif" alt="zerdfs">
			<img src="/web/images/pictos/azerty/41.gif" alt="fezqfef">
			</div>
		<BR>
		<!-- qdsgr -->
		<span class="infogrt">
			Départ&nbsp;<strong>13h50</strong>
			<br><br>type
				-&nbsp;info
				-&nbsp;info
				-&nbsp;info;
 
				-&nbsp;2875m
 
			-&nbsp;9999&nbsp;info
				-&nbsp;info
				-&nbsp;info&nbsp;:&nbsp;info<br>
			<span class="conditiongrt">info</span><br>
			</span>
		<br>
		<!-- info -->
		</div><script type="text/javascript">
	fillWithRows = function(id, n) {
		var tr = document.getElementById(id);
		var fsdf = document.getElementById('dfs');
		if(id == 'sdfdsf' && null == dsfsdsf) {
			n+=3;
		} 
		if(null != tr) {
			tr.firstChild.height = (n * 20) + 'fd';
		}
	}
</script>
 
<script type="text/javascript" src="http://banzai.dfs.com/web/sdfdfsdf_sdfdf7.js"></script>

**vchouraki** · 30/08/2012, 14h00

Bonjour,

Si on execute votre code, il y a des différences entre le fichier txt et l'objet importé. Par exemple, la ligne 2 du fichier :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

	Aujourd'hui</a>

La ligne 2 de l'objet txt :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
> txt[2,]
                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                   V1
2 \t\t\tAujourdhui</a>\n\t\t<a id="demainLink" href="/_d2012-08-30?">\n\t\t\tDemain</a>\n    </div>\n    <script type="text/javascript">\n\t\t\tvar bLinkCalendrier = new YAHOO.widget.Button("selectedDateLink");\n\t\t\tYAHOO.util.Event.onContentReady("grtdes", function (){\n                   var bLinkHier = new YAHOO.widget.Button("hierLink");\n                   var bLinkAujourdhui = new YAHOO.widget.Button("aujourdhuiLink");\n                   var bLinkDemain = new YAHOO.widget.Button("demainLink");\n\t\t\t});                                \n    </script>\n\t<input type="hidden" id="selectedDateValue" value="16/08/2012">\n\t<div id="calContainer" style="display:none;"></div>\n</div></div>\n</div>\t<div class="yui-gc cartouche">\n<BR>\n\t\t<!-- nom qsdf -->\n\t\t<div class="yui-u first nom">\n\t\t\tjeudi&nbsp;:&nbsp;\n\t\t\tn&nbsp;(x)\n\t\t</div>\n\t\t\n\t\t<!-- liens  -->\n\t\t<div class="yui-u">\n\t\t\t<div class="lien">\n\t\t\t\tx | <a href="/2012-08-16_d2012-08-16#y">\n\t\t\t\t\t\t\t\tfds</a>\n\t\t\t\t\t\t | <a href="/2012-08-16_d2012-08-16#y">\n\t\t\t\t\t\t\t\tLAers</a
  V2
2

C'est parce qu'il y a des guillemets dans votre fichier et R en tient compte dans le read.table ce qui peut créer des décalages. On peut régler ce problème avec l'argument quote :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

txt <- read.table("CodeSource.txt", sep=">",header=FALSE, fill=TRUE, quote="")

sinon vous pouvez utiliser la fonction readLines plutôt que read.table :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

txt <- readLines("CodeSource.txt")

Le résultat n'est pas le même mais c'est peut-être plus pratique pour travailler avec des expression rationnelles...

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
> txt[2]
[1] "\t\t\tAujourd'hui</a>"
> gsub("[[:space:]]+", "", txt[2])
[1] "Aujourd'hui</a>"

Pour enlever les balises et les espaces :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

gsub("<.+>|[[:space:]]+", "", txt)

etc

HTH

Vincent

**B65AcR** · 03/09/2012, 11h52

Vincent, quand tu écris:

gsub("<.+>|[[:space:]]+", "", txt)

<.+>| ça veux dire quoi en bon français?

Sinon votre modif avec read lines me plait je vais la garder.
Quant à mon erreur, votre affichage de ligne 2 m'a permis de la comprendre. Les espaces ont bien disparu mais pas "\t" qui n'apparait pas à l'écran lorsque j'ouvre le fichier .txt .

**B65AcR** · 03/09/2012, 12h07

J'essaye Maintenant de supprimer les "\t" mais je n'y parviens pas.
gsub et str_replace_all semblent inefficaces...

**vchouraki** · 03/09/2012, 15h27

Bonjour,

bizarre... Dans l'exemple précédent, [[:space:]] inclut les tabulations. Si vous ne voulez supprimer que les tabulations :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
> test <- "\ta\tb\tc\td"
> test
[1] "\ta\tb\tc\td"
> gsub("\t", "", test)
[1] "abcd"
> gsub("\\t", "", test)
[1] "abcd"

Peut-être cela dépend-il du système d'exploitation? Les informations sur le mien :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
> version
               _                            
platform       x86_64-pc-linux-gnu          
arch           x86_64                       
os             linux-gnu                    
system         x86_64, linux-gnu            
status                                      
major          2                            
minor          15.1                         
year           2012                         
month          06                           
day            22                           
svn rev        59600                        
language       R                            
version.string R version 2.15.1 (2012-06-22)
nickname       Roasted Marshmallows

HTH

Vincent

**vchouraki** · 03/09/2012, 19h38

Envoyé par B65AcR

Vincent, quand tu écris:

<.+>| ça veux dire quoi en bon français?

Sinon votre modif avec read lines me plait je vais la garder.
Quand a mon erreur, votre affichage de ligne 2 m'a permis de la comprendre. Les espaces ont bien disparu mais pas "\t" qui n'apparait pas a l'écran lorsque j'ouvre le fichier .txt .

Oups je n'avais pas vu ce post, désolé.

"<.+>" veut dire "n'importe quoi (.) mais au moins quelque chose (+)" compris entre "<" et ">", donc par exemple une balise html quel que soit son contenu. Après il faut faire attention et vérifier que seules les balises sont supprimées. En effet il n'est pas impossible qu'une chaine de caractères comme "<exemple>toto</exemple>" soit reconnue comme un seul bloc par l'expression rationnelle ci-dessus puisqu'elle commence par "<", se termine par ">" et contient quelque chose.

Le "|" représente le "ou". Le gsub ici essaye de supprimer tout ce qu'il reconnait comme une balise html ou un espace (blanc, tabulation, etc).

Pour "\t", c'est le code de la tabulation qui peut soit apparaitre tel quel, comme dans le resultat de readLines("exemple.txt") ou comme un blanc. Par exemple :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
> test <- "a\tb\tc\td"
> print(test)
[1] "a\tb\tc\td"
> cat(test, "\n")
a	b	c	d

Pour un aperçu plus détaillé des expressions rationnelles sous R:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

?regex

HTH

Vincent

**B65AcR** · 05/09/2012, 12h32

Envoyé par vchouraki

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
> test <- "\ta\tb\tc\td"
> test
[1] "\ta\tb\tc\td"
> gsub("\t", "", test)
[1] "abcd"
> gsub("\\t", "", test)
[1] "abcd"

ça, ça marche. Mais si vous enregistrez la variable test dans un txt, puis que vous l'ouvrez avec read line, puis que vous appliquez gsub, là ça marche plus!

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
test <- "\ta\tb\tc\td"
write.table (test, file = "Test.txt")
test <- read.table("Test.txt", sep=">",header=FALSE, fill=TRUE)
gsub("\\t", "", test)
 test

**vchouraki** · 05/09/2012, 13h39

Bonjour,

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
?write.table
?write

write.table est utilisé pour écrire un data.frame sous forme de fichier texte. Pour les chaînes de caractères, mieux vaut utiliser write.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
test.avant <- "a\tb\tc\td"
write(test.avant, "Test.txt")
test.apres <- readLines("Test.txt")
gsub("\t", "", test.avant)
[1] "abcd"
gsub("\t", "", test.apres)
[1] "abcd"

HTH

Vincent

**B65AcR** · 05/09/2012, 22h37

Super, j'ai pu faire ce que je voulais!! Merci Beaucoup!!
Dois-je cloturer ce sujet, sachant que je vais bientot chercher à importer des mots et nombres du fichier texte vers un tableau csv?

**vchouraki** · 06/09/2012, 11h34

Bonjour,

Oui je pense que vous pouvez clotûrer le sujet.

Vincent

Fonctions utiles au traitement des chaines caracteres

R

Discussions similaires

Partager

Partager