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).
# 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("<br\\s*/?\\s*>","\n",.) %>%
read_html %>%
html_text
[1] "First Line\nSecond Line"
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 Line\nSecond Line"
