read_html 没有从简单的 html 页面检索所有数据，而是返回不完整的 html？

Question

read_html() 通常 returns 给定 url.

的所有页面 html

但是当我尝试 this url 时，我发现并非所有页面都已返回。

为什么会这样（更重要的是，我该如何解决）？

可重现的例子

page_html <- "https://raw.githubusercontent.com/mjaniec2013/ExecutionTime/master/ExecutionTime.R" %>% 
  read_html

page_html %>% html_text %>% cat
# We can see not all the page html has been retrieved

# And just to be sure
page_html %>% as.character

备注

看起来 github 是 okay with bots visiting，所以我认为这与 github
我用 ruby 的 Nokogiri 库尝试了同样的抓取。它给出与 read_html 完全相同的结果。所以看起来它不是特定于 R 或 read_html()

Answer 1

这看起来像是将页面中的赋值运算符视为未闭合的标记。

fakepage <- "<html>the text after <- will be lost</html>"

read_html(fakepage) %>%
  html_text()

[1] "the text after "

由于您访问的页面是纯文本文件，您可以在这种情况下使用readr::read_file()。

readr::read_file("https://raw.githubusercontent.com/mjaniec2013/ExecutionTime/master/ExecutionTime.R")

read_html 没有从简单的 html 页面检索所有数据，而是返回不完整的 html？

read_html not retrieving all data from simple html page, instead returning incomplete html?

r

rvest

xml2

可重现的例子

备注