使用 XML 包通过 id 和 class 解析 HTML 元素

Question

是否可以通过 id 和 class 信息从 HTMLInternalDocument 对象中提取元素？例如让我们拿一个文件：

<!DOCTYPE html>
<html>
<head>
    <title>R XML test</title>
</head>
<body>
<div id="obj1">
    <p id="txt1">quidquid</p>
    <p id="txt2">Latine dictum</p>
</div>
<div class="mystuff">
    <p>sit altum</p>
    <p>videtur</p>
</div>
</body>
</html>

并读入R如下：

require(XML)
file <- "C:/filepath/index.html"
datain <- htmlTreeParse(readLines(file), useInternalNodes = TRUE)

我想提取元素 id='txt2' 和 class='mystuff' 的内容。

我试过各种方法都没有成功，而且好像都是在树下迭代，很费力。有使用class/id的快捷方式吗？我有一个想法，它可能涉及首先使用 getNodeSet，然后使用一些应用方法（例如 xmlApply & xmlAttrs），但我尝试过的任何方法都不起作用。感谢任何指点。

Answer 1

试试这个例子：

id_or_class_xp <- "//p[@id='txt2']//text() | //div[@class='mystuff']//text()"
xpathSApply( doc,id_or_class_xp,xmlValue)

[1] "Latine dictum" "\n    "        "sit altum"     "\n    "        "videtur"       "\n"

文档在哪里：

doc <- htmlParse('<!DOCTYPE html>
<html>
<head>
    <title>R XML test</title>
</head>
<body>
<div id="obj1">
    <p id="txt1">quidquid</p>
    <p id="txt2">Latine dictum</p>
</div>
<div class="mystuff">
    <p>sit altum</p>
    <p>videtur</p>
</div>
</body>
</html>',asText=T)

使用 XML 包通过 id 和 class 解析 HTML 元素

Parsing HTML elements by id and class with XML package

r

html-parsing