Me gustaría analizar rápidamente el texto en un sitio web (bueno ... en un gran número de sitios web, realmente). ¿Es esto posible en el nuevo Text Explorer de JMP? ¿Puedo proporcionar a JMP una columna de direcciones de sitios web y hacer que lea / importe el texto asociado en esos sitios web? (¿O es sólo un sueño?)
loadTextFile (" https://google.com ")
/ *:
"
Obtendrá el HTML para la página, no solo el texto. El Explorador de texto tiene algunos ejemplos de expresiones regulares que pueden ayudarlo a analizar el HTML.
Puede utilizar estas expresiones regulares o modificarlas para satisfacer sus necesidades.
El tokenizador de expresiones regulares usa expresiones regulares para dividir el texto de entrada en tokens (palabras o unidades de texto que actúan como una palabra). Puede ver los ejemplos de Grabber y Remover para ver cómo eliminar texto de la secuencia de tokens y cómo (por ejemplo) convertir todas las cadenas similares a números de teléfono en "#phone".
Puedes hacer una tabla de contenido del sitio web:
New Table( "content",
Add Rows( 2 ),
New Column( "site",
Character,
"Nominal",
Set Values( {"https://google.com", "https://bing.com"} )
),
New Column( "text", Character, "Nominal", Formula( Load Text File( :site ) ) )
);
Tabla de datos con HTML cargado en la columna de fórmula
