使用 R 提取带有上标的 HTML table

Question

我正在尝试使用 R 在 this webpage 提取 table，代码如下：

library('htmltab')
url <- "http://www.math.leidenuniv.nl/~desmit/abc/index.php?set=2"
app.data<- htmltab(url, which = 3, rm_superscript = F, rm_whitespace=F, rm_invisible=F)

然而，上标随后被整合到正文中，所以table中的一个条目像3^{10}109输出为310109，这显然不是一回事。如果设置 rm_superscript = T，则输出为例如3109，即完全没有上标，这也是不对的。我想要的是清楚地指示上标，所以输出像 3^{10}109。谁能帮忙？谢谢！

Answer 1

这是另一种方法。

library(xml2)
library(rvest)

URL <- "http://www.math.leidenuniv.nl/~desmit/abc/index.php?set=2"

pg <- read_html(URL)

提取 table 并将其转换回原始 HTML

tab <- as.character(html_nodes(pg, "table")[[3]])

手动将 <sup></sup> 替换为 {}，将其转换回来并提取 table

dat <- html_table(read_html(gsub("</sup>", "}", gsub("<sup>", "{", tab) )))[[1]]

head(dat)
##     quality  size merit       by       on       a            b             c
## 1 1  1.6299  6.81  8.64       ER 19870101       2     3{10}109         23{5}
## 2 2  1.6260  7.68 10.18      BdW 19850920   11{2} 3{2}5{6}7{3}       2{21}23
## 3 3  1.6235 15.70 26.86    JB JB 19940401 19·1307 7·29{2}31{8} 2{8}3{22}5{4}
## 4 4  1.5808  9.92 13.01 JB JB AN 19930312     283   5{11}13{2} 2{8}3{8}17{3}
## 5 5  1.5679  3.64  2.89      BdW 19880106       1       2·3{7}         5{4}7
## 6 6  1.5471  4.77  4.17      BdW 19880106    7{3}        3{10}       2{11}29

使用 R 提取带有上标的 HTML table

Extract HTML table with superscripts using R

html

r

superscript

web-scraping