R: rvest - 使用 rvest 获取嵌套文本

Question

问题：

从该网站提取产品图像的URL：

http://www.linio.com.pe/computacion/pc-escritorio/

有些图片有属性"data-origin"，我可以拉取图片的url。问题是，有些产品没有这个属性。但是他们在 src 属性中有我需要的 URL 。

到目前为止：

1) 对于具有 "data-origin" 属性的产品，我可以获得 url。 2) 当产品不具有属性 "data-origin" 但在 src 属性中具有 url 时，无法获取 url。

#

注意事项：

源代码中有两个url：有和没有.sprite.。我不需要精灵部分的 url。

1 个产品的示例：

右 URL: http://media.linio.com.pe/p/hp-1987-043329-1-catalog.jpg

这个可以在img标签中找到，也可以在noscript部分找到。

错误URL：http://media.linio.com.pe/p/hp-1987-043329-sprite.jpg

这是在class"sprite-hidden"

更新 1：

使用 SelectorGadget 它说我应该使用“.lazyImg”。但是我没有得到我所期望的。

  PCimgs  <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
            html_nodes(".lazyImg")%>%
            html_text()

但我得到：

[1] "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" "" ""

更新 2：

调查我看到有人可以使用两个 html_nodes，一个接一个。这更接近我想要的。因为我需要为页面上的所有产品提及 url。

PCs <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
    html_nodes(".product-item-img") %>%
    html_nodes("img")

但是，这给了我比需要更多的信息。所以我尝试了这个修改（感谢用户的这个想法）：

PCs <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
    html_nodes(".product-item-img") %>%
    html_nodes("img") %>%
    html_attr("data-original")

这有效！！！部分：

我得到：

 [1] "http://media.linio.com.pe/p/hp-1987-043329-1-catalog.jpg"      
 [2] NA                                                              
 [3] "http://media.linio.com.pe/p/hp-7585-499619-1-catalog.jpg"      
 [4] NA

这是因为一些元素具有属性：data-origin，而另一些则没有。但是他们在 scr 属性中有我需要的 url。所以我使用：

PCs <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
    html_nodes(".product-item-img") %>%
    html_nodes("img") %>%
    html_attr("scr")

但我得到：

> PCs

[1] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA [33] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA

有什么帮助吗？

#

这是页面 (http://www.linio.com.pe/computacion/pc-escritorio/)

的源代码

        <ul class="product-items" id="catalog-items">
              <li id="HP016EL59NXCPEAMZ" class="product-item " itemscope itemtype="http://schema.org/Product" data-badge="badgeDivFalse">
            <a id="1:HP016EL59NXCPEAMZ" href="http://www.linio.com.pe/HP---Desktop-All-in-One-Intel-Celeron-18.5-500GB-4GB---Plateado-Negro-923340.html" title="HP - Desktop All-in-One Intel Celeron 18.5'' 500GB 4GB - Plateado/Negro">
        <ul>
            <li class="product-item-img" style="position: relative;">
                <span class="lazyImage">
                    <span style="width:160px;height:160px;" class="itm-imageWrapper itm-imageWrapper-HP016EL59NXCPEAMZ">
                        <img src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAQAAAC1HAwCAAAAC0lEQVQYV2NgYAAAAAMAAWgmWQ0AAAAASUVORK5CYII="
                            data-original="http://media.linio.com.pe/p/hp-1987-043329-1-catalog.jpg"
                            width="160"
                            height="160" class="itm-img lazyImg"
                            onerror="catalog.onError($(this)); this.width=160">

                        <noscript>
                            <img
                                src="http://media.linio.com.pe/p/hp-1987-043329-1-catalog.jpg"
                                class="itm-img"
                                width="160"
                                height="160"
                            >
                        </noscript>
                                                </span>
                                                <span class="sprite hidden">http://media.linio.com.pe/p/hp-1987-043329-sprite.jpg</span>
                                        </span>
                                </li>

Answer 1

    PCs <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
    html_node("span.itm-imageWrapper.itm-imageWrapper-HP016EL59NXCPEAMZ img")%>%
    html_attr("data-original")
[1] "http://media.linio.com.pe/p/hp-1987-043329-1-catalog.jpg"

Answer 2

这是问题的答案：

PC会给你代码图片部分的信息。在第 3 行中，您可以更具体地使用 "img" 来获取准确的信息。

PCs <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
    html_nodes(".product-item-img") %>%
    html_nodes("img")

您会注意到某些元素在 "data-original" 属性中具有您想要的 url。而其他人会将其包含在 "src" 属性中。

示例"data-original"：

[[47]]
<img src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAQAAAC1HAwCAAAAC0lEQVQYV2NgYAAAAAMAAWgmWQ0AAAAASUVORK5CYII=" data-original="http://media.linio.com.pe/p/epson-9425-1474711-1-catalog.jpg" width="160" height="160" class="itm-img lazyImg" onerror="catalog.onError($(this)); this.width=160"/>

示例"src"：

 [[46]]
<img src="http://media.linio.com.pe/p/lg-6587-168029-1-catalog.jpg" class="itm-img" width="160" height="160"/>

1 ) 使用此代码为具有 "src" 属性中的信息的元素获取 url。

   PCs2 <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
            html_nodes(".product-item-img") %>%
            html_nodes("img") %>%
            html_attr("src")

2 ) 使用此代码获取具有 "data-original" 属性中信息的元素的 url。

PCs3 <- html("http://www.linio.com.pe/computacion/pc-escritorio/")%>%
        html_nodes(".product-item-img") %>%
        html_nodes("img") %>%
        html_attr("data-original")

问题继续存在，因为我需要一个 if else 语句来确定在哪里使用 "data-original" 属性或 "src" 属性。我会为此提出一个新问题。

R: rvest - 使用 rvest 获取嵌套文本

R: rvest - getting nested text with rvest

r

rvest