一种方法是使用XPath表达式。您将需要从http://www.omegahat.org/存储库安装这些软件包

library(RCurl)
library(RTidyHTML)
library(XML)

我们使用RCurl连接到感兴趣的网站。它有很多选项，允许您访问网站，默认功能在基地R将有困难，我认为这是公平的说。它是libcurl库的R接口。

我们使用RTidyHTML来清理格式不正确的HTML网页，以便更容易解析。它是libtidy库的R接口。

我们使用XML来解析我们的XPath表达式的HTML代码。它是libxml2库的R接口。

无论如何，这里是你所做的(最少的代码，但是选项可用，请参阅相应功能的帮助页面)：

u <- "http://stackoverflow.com/questions/tagged?tagnames=r" 
doc.raw <- getURL(u)
doc <- tidyHTML(doc.raw)
html <- htmlTreeParse(doc,useInternal = TRUE)
txt <- xpathApply(html,"//body//text()[not(ancestor::script)][not(ancestor::style)][not(ancestor::noscript)]",xmlValue)
cat(unlist(txt))

这种方法可能有一些问题，但我不记得他们是我的头顶(我不认为我的xpath表达式与所有网页一起使用，有时它可能不会过滤出脚本代码，或者它可能平原只是不能与其他页面一起工作，最好的实验！)

附：另一种方式，几乎完美地工作，我认为在网页上刮取html的所有文本是以下(基本上让Internet Explorer为您进行转换)：

library(RDCOMClient) 
u <- "http://stackoverflow.com/questions/tagged?tagnames=r"
ie <- COMCreate("InternetExplorer.Application") 
ie$Navigate(u)
txt <- list()
txt[[u]] <- ie[["document"]][["body"]][["innerText"]] 
ie$Quit() 
print(txt)

不过，我从来不喜欢这样做，因为它不仅缓慢，但是如果你向量化并应用一个URL的向量，如果Internet Explorer在坏页面上崩溃，那么R可能会挂起或崩溃(我不认为？在这种情况下，尝试帮助很多)。而且它容易出现弹出窗口。我不知道，已经有一段时间了，但我认为我应该指出这一点。