R:rvest提取innerHTML
发布时间:2020-12-14 16:39:39 所属栏目:资源 来源:网络整理
导读:使用R中的rvest来抓取一个网页,我想从节点中提取相当于inner HTML的内容,特别是在应用html_text之前将换行符更改为换行符. 所需功能的示例: library(rvest)doc - read_html('htmlp class="pp"First Linebr /Second Line/p')innerHTML(doc,".pp") 应产生以下
使用R中的rvest来抓取一个网页,我想从节点中提取相当于inner
HTML的内容,特别是在应用html_text之前将换行符更改为换行符.
所需功能的示例: library(rvest) doc <- read_html('<html><p class="pp">First Line<br />Second Line</p>') innerHTML(doc,".pp") 应产生以下输出: [1] "<p class="pp">First Line<br>Second Line</p>" 使用rvest 0.2,可以通过toString.XMLNode实现 # run under rvest 0.2 library(XML) html('<html><p class="pp">First Line<br />Second Line</p>') %>% html_node(".pp") %>% toString.XMLNode [1] "<p class="pp">First Line<br>Second Line</p>" 随着较新的rvest 0.2.0.900,这不再起作用了. # run under rvest 0.2.0.900 library(XML) html_node(doc,".pp") %>% toString.XMLNode [1] "{xml_node}n<p>n[1] <br/>" 所需的功能通常在包xml2的write_xml函数中可用,rvest现在依赖于该函数 – 如果只有write_xml可以将其输出提供给变量而不是坚持写入文件. (也不接受textConnection). 作为一种解决方法,我可以暂时写入文件: # extract innerHTML,workaround: write/read to/from temp file html_innerHTML <- function(x,css,xpath) { file <- tempfile() html_node(x,css) %>% write_xml(file) txt <- readLines(file,warn=FALSE) unlink(file) txt } html_innerHTML(doc,".pp") [1] "<p class="pp">First Line<br>Second Line</p>" 然后,我可以将换行标记转换为换行符: html_innerHTML(doc,".pp") %>% gsub("<brs*/?s*>","n",.) %>% read_html %>% html_text [1] "First LinenSecond Line" 有没有更好的方法来实现这一点与现有的功能,例如rvest,xml2,XML或其他包?特别是我想避免写入硬盘. 解决方法
正如@ r2evans所指出的那样,as.character(doc)就是解决方案.
关于你的最后一个代码片段,它希望在转换< br>时从节点中提取< br>分离的文本.到换行符,目前尚未解决的rvest issue #175,comment #2有一个解决方法: 此问题的简化版本: doc <- read_html('<html><p class="pp">First Line<br />Second Line</p>') # r2evan's solution: as.character(rvest::html_node(doc,xpath="//p")) ##[1] "<p class="pp">First Line<br>Second Line</p>" # rentrop@github's solution,simplified: innerHTML <- function(x,trim = FALSE,collapse = "n"){ paste(xml2::xml_find_all(x,".//text()"),collapse = collapse) } innerHTML(doc) ## [1] "First LinenSecond Line" (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! |