在 R 中使用 rvest（或类似）提取多于一种类型的元素同时保留顺序？

Question

我试图在 HTML 文档中提取匹配 2 种不同类型的元素，同时保留顺序。

单独提取每种元素类型很简单（参见示例），但我不知道如何一次性提取它们并保持它们在网页中出现的顺序。

最小示例

这是一些假人 HTML

dummy_html <- "<p>hi there</p>
<p>2nd para</p>
<div>unwanted stuff</div>
<span>something new</span>
<p>3rd para</p>
<span>extra stuff</span>
<div>more unwanted stuff</div>
<p>4th para</p>"

假设我们希望提取所有 p 元素和所有 span 元素（并保持它们出现的顺序）

# p elements on their own
library(rvest)
dummy_html %>% read_html %>% html_nodes("p")

{xml_nodeset (4)}
[1] <p>hi there</p>
[2] <p>2nd para</p>
[3] <p>3rd para</p>
[4] <p>4th para</p>

# span elements on their own
dummy_html %>% read_html %>% html_nodes("span")
{xml_nodeset (2)}
[1] <span>something new</span>
[2] <span>extra stuff</span>

但是我们如何才能提取所有 either 元素？即所有 p 元素和所有 span 元素 在一起 因此所需的输出是：

{xml_nodeset (6)}
[1] <p>hi there</p>
[2] <p>2nd para</p>
[3] <span>something new</span>
[4] <p>3rd para</p>
[5] <span>extra stuff</span>
[6] <p>4th para</p>

注意顺序的保存（即p和span相互拼接）

到目前为止我尝试了什么

我尝试了明显的 dummy_html %>% read_html %>% html_nodes("span|p") 但它抛出了一个错误。

Answer 1

您可以使用 CSS 或 XPath 语法来完成；你的 CSS 只需要 , 而不是 |:

  library(rvest)
#> Loading required package: xml2

  dummy_html <- "<p>hi there</p>
<p>2nd para</p>
<div>unwanted stuff</div>
<span>something new</span>
<p>3rd para</p>
<span>extra stuff</span>
<div>more unwanted stuff</div>
<p>4th para</p>"

  # With CSS
  dummy_html %>% read_html() %>% html_nodes("p,span")
#> {xml_nodeset (6)}
#> [1] <p>hi there</p>
#> [2] <p>2nd para</p>
#> [3] <span>something new</span>
#> [4] <p>3rd para</p>
#> [5] <span>extra stuff</span>
#> [6] <p>4th para</p>
  # With XPath
  dummy_html %>% read_html() %>% html_nodes(xpath = "//span | //p")
#> {xml_nodeset (6)}
#> [1] <p>hi there</p>
#> [2] <p>2nd para</p>
#> [3] <span>something new</span>
#> [4] <p>3rd para</p>
#> [5] <span>extra stuff</span>
#> [6] <p>4th para</p>

^{由 reprex package (v0.3.0)}

于 2019-10-19 创建

感谢 QHarr 指出（更简洁的）CSS 选项！

在 R 中使用 rvest（或类似）提取多于一种类型的元素同时保留顺序？

Extract more than one type of element whilst preserving order using rvest (or similar) in R?

r

tidyverse

rvest

xml2

最小示例

到目前为止我尝试了什么