使用XPathSApply调节多个属性来提取数据

发布时间：2020-12-16 23:14:20 所属栏目：百科来源：网络整理

导读：以下网址包含数字和表格,我喜欢阅读表格的前两列. xpatahSApply命令工作正常,但我需要调整两个以上的属性,我无法弄清楚. url ="http://floodobservatory.colorado.edu/SiteDisplays/1544data.htm"doc=htmlTreeParse(url,useInternal=TRUE) 解析数据的样本 tr

以下网址包含数字和表格,我喜欢阅读表格的前两列. xpatahSApply命令工作正常,但我需要调整两个以上的属性,我无法弄清楚.

url ="http://floodobservatory.colorado.edu/SiteDisplays/1544data.htm"

doc=htmlTreeParse(url,useInternal=TRUE)

解析数据的样本

<tr height="20" style="height:15.0pt">
<td height="20" class="xl6521398" align="right" style="height:15.0pt">11-Oct-13</td>
  <td class="xl7321398">1853</td>
  <td class="xl7321398"></td>
  <td class="xl8121398">0.80</td>
  <td class="xl7221398" align="right">4.87</td>
  <td class="xl1521398"></td>
  <td class="xl1521398"></td>
  <td class="xl1521398"></td>
  <td class="xl1521398"></td>
  <td class="xl1521398"></td>
  <td class="xl1521398"></td>
  <td class="xl7421398"></td>
  <td class="xl7421398"></td>
  <td class="xl7421398"></td>
  <td class="xl7421398"></td>
  <td class="xl9621398"></td>
  <td class="xl7421398"></td>
  <td class="xl8121398"></td>
 </tr>

我需要从两个单元中读取值,其中一个对应于日期,另一个对应于流出口,并具有下面提到的属性

<td height="20" class="xl6521398" ...> and  [<td class="xl7321398"..]

关于以上样本数据,我需要抓住“11-Oct-13”和“1853”.

我使用以下命令来获取“日期”和“流量放电”.

dates=xpathSApply(doc,"//td[@class='xl6521398']",xmlValue)

streamflowdischarge=xpathSApply(doc,"//td[@class='xl7321398']",xmlValue)

他们成功地提取了信息,但提取的值包括来自其他表格/单元格的值,重要的是“日期”和“流量排放”不对应.

dates[1:10]
[1] “1-Jan-98” “2-Jan-98” “3-Jan-98” “31-Mar-98” “4-Jan-98” “30-Apr-98” “5-Jan-98”
[8] “31-May-98” “6-Jan-98” “30-Jun-98”

“31-Mar-98”介于“3月1日至98日”和“4月1日至98日”之间 – 这是一种无意识的事情

streamflowdischarge[1:10]
[1] “3108” “3076” “3051” “3111” “3064” “3043” “3007” “3066” “378” “”

“3108”与“1-Jan-98”不对应 – 可以在网址查看

它看起来像有相同属性的表/单元格,我不想读取/抓取.在这方面,我认为我需要传递整个属性,即

<td height="20" class="xl6521398" align="right" style="height:15.0pt">

得到’日期’,并且我应该以某种方式调整,以便从同一个表中提取’streamflow discharge’.

非常感谢建议,以及是否有其他选择.

我试过readHTMLTable,但得到一个错误“下标越界”

谢谢,
萨蒂什

解决方法

我输入数据

url = "http://floodobservatory.colorado.edu/SiteDisplays/1544data.htm"
html = htmlParse(url)

然后查询包含您感兴趣的两个单元格类的表行,取每个单元格的第一个或第二个单元格

query = "//tr[./td[@class='xl6521398'] and ./td[@class='xl7321398']]/td[1]"
dates = xpathSApply(html,query,xmlValue)
query = "//tr[./td[@class='xl6521398'] and ./td[@class='xl7321398']]/td[2]"
flows = xpathSApply(html,xmlValue)

这些是我想你想要的

> df = data.frame(dates=as.Date(dates,"%e-%b-%y"),flows=as.integer(flows))
> nrow(df)
[1] 5808
> head(df,3)
     dates flows
1 1-Jan-98  1258
2 2-Jan-98  1584
3 3-Jan-98  1272
> tail(df,3)
         dates flows
5806 23-Nov-13  2878
5807 24-Nov-13  2852
5808 25-Nov-13  2738

我想秘诀是使用两列感兴趣的行选择(??但也许这些是由用于制作网页的电子表格生成的类,与数据的语义无关？)分组数据.更“完整”的抓取可以创建行的节点集,然后查询用感兴趣的类标记的行(有时是几个),例如,

query = "//tr[./td[@class='xl6521398'] and ./td[@class='xl7321398']]"
nodes = getNodeSet(html,query)
date = lapply(nodes,xpathSApply,"./td[@class='xl6521398']",xmlValue)
flow = lapply(nodes,"./td[@class='xl7321398']",xmlValue)

日期和流量元素是协调的,但每个日期可以有多个流量测量值.

> head(flow,3)
[[1]]
[1] "1258" ""     "1799" "2621" "1258"

[[2]]
[1] "1584" ""     "1550" "2033" "978" 

[[3]]
[1] "1272" ""     "1104" "3515" "233" 

> table(sapply(flow,length))

   2    3    5 
5577   15  216

所以我想这是为了苏丹的Blue Nile;整齐

url = "http://floodobservatory.colorado.edu/SiteDisplays/Summary5.htm"
sites = htmlParse(url)

> sites["//tr[./td[1] = '1544']"]
[[1]]
<tr height="17" style="height:12.75pt"><td height="17" class="xl7226158" style="height:12.75pt">1544</td>&#13;
  <td class="xl6926158"/>&#13;
  <td class="xl7026158">13.0940</td>&#13;
  <td class="xl7026158">33.9750</td>&#13;
  <td class="xl6926158">5070</td>&#13;
  <td class="xl6926158">Blue Nile</td>&#13;
  <td class="xl6926158">Sudan</td>&#13;
  <td class="xl6926158">2</td>&#13;
  <td class="xl6926158">2</td>&#13;
  <td class="xl7926158">173%</td>&#13;
  <td class="xl8226158">15.88</td>&#13;
  <td class="xl7126158">19-Nov-14</td>&#13;
  <td class="xl7126158"/>&#13;
 </tr> 

attr(,"class")
[1] "XMLNodeSet"

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!