使用 rvest 获取文本时如何保持换行符

Question

我正在从网站上提取法院判决书的文本，并希望保留换行符（我稍后需要进行文本分析）。不幸的是， rvest's html_text 删除了换行符，例如最初由 \n 分隔的两个单词简单地连接在一起。例如 "GerichtAsylgerichtshof" 实际上应该是 "Gericht\nAsylgerichtshof".

library(rvest, quietly = T, warn.conflicts = F)
library(tidyverse, quietly = T, warn.conflicts = F)

test_url <- "https://www.ris.bka.gv.at//Dokumente/AsylGH/ASYLGHT_20131125_E5_408_113_1_2009_00/ASYLGHT_20131125_E5_408_113_1_2009_00.html"

test_url_parsed <- test_url %>% 
  xml2::read_html() %>% 
  rvest::html_nodes(".contentBlock") 
test_url_parsed
#> {xml_nodeset (5)}
#> [1] <div class="contentBlock">\n<h1 class="Titel AlignJustify">Gericht</h1>\n ...
#> [2] <div class="contentBlock">\n<h1 class="Titel AlignJustify">Entscheidungsd ...
#> [3] <div class="contentBlock">\n<h1 class="Titel AlignJustify">Geschäftszahl< ...
#> [4] <div class="contentBlock">\n<h1 class="Titel AlignJustify">Spruch</h1>\n< ...
#> [5] <div class="contentBlock">\n<h1 class="Titel AlignJustify">Text</h1>\n<p  ...

#linebreak gets lost
x <- test_url_parsed %>% 
  html_text()
x[1]
#> [1] "GerichtAsylgerichtshof"

^{由 reprex package (v0.3.0)}

于 2020-05-14 创建

我找到了一些有希望的线索来解决这个问题，但不幸的是我的具体问题没有成功。参见例如here (which replaces html < br > with \n) and the discussion here 在 github。

请注意，换行符 \n 不仅出现在标题中（例如 < h1 >），而且出现在整个文本中（也包括 < p >）。

非常感谢。

Answer 1

问题是在调用 html_text 之前，您没有进入树的最深层次。

如果您运行它作为您工作级别的子级列表中的 sapply ，您将每一行作为向量的一个元素。例如节点 1:

html_children(test_url_parsed[[1]]) %>% html_text
[1] "Gericht"         "Asylgerichtshof"

然后你必须将这些部分粘贴在一起：

html_children(test_url_parsed[[1]]) %>% html_text %>% paste0(collapse = "\n")
[1] "Gericht\nAsylgerichtshof"

下面的代码运行是对所有节点contentBlock及其子节点的操作：

> resPaste <- lapply(sapply(FUN = html_children, X = test_url_parsed), function(node) paste0(html_text(node), collapse = "\n"))

这会产生您想要的结果：

> str(resPaste)
List of 5
 $ : chr "Gericht\nAsylgerichtshof"
 $ : chr "Entscheidungsdatum\n25.11.2013"
 $ : chr "Geschäftszahl\nE5 408113-1/2009"
 $ : chr "Spruch\nZl. E5 408.113-1/2009/13E\n\nIM NAMEN DER REPUBLIK!\n\nDer Asylgerichtshof hat durch die Richterin Dr. "| __truncated__
 $ : chr "Text\nEntscheidungsgründe:\n\nI. Verfahrensgang und Sachverhalt:\n\nI.1.1. Der Beschwerdeführer, ein irakischer"| __truncated__

使用 rvest 获取文本时如何保持换行符

How to keep linebreaks when getting text with rvest

r

web-scraping

stringr

rvest

xml2