如何获取某个class之前的HTML元素？

Question

我正在抓取并且无法获取位于包含“type2”的另一个“th”元素之前的“th”标签的元素class。我更喜欢通过识别它是 "th" 之前的元素 "th" 和 class "type2" 因为我的 HTML 有很多 "th" 这是我在表格之间发现的唯一区别。

使用 rvest 或 xml2（或其他 R 包），我可以获得这个父项吗？我要的内容是"text_that_I_want".

谢谢！

<tr>
    <th class="array">text_that_I_want</th>
    <td class="array">
        <table>
            <thead>
                <tr>
                    <th class="string type2">name</th>
                    <th class="array type2">answers</th>
                </tr>
            </thead>

Answer 1

我们可以在所有<th>中查找"type2"字符串，得到第一个出现的索引减1得到我们想要的索引：

library(dplyr)
library(rvest)

location <- test%>% 
  html_nodes('th') %>% 
  str_detect("type2")

index_want <- min(which(location == TRUE) - 1)

test%>% 
  html_nodes('th') %>%
  .[[index_want]] %>% 
  html_text()

[1] "text_that_I_want"

Answer 2

相对于给定节点导航 xpath 的正式且更通用的方法是通过 ancestor preceding-sibling:

read_html(htmldoc) %>% 
html_nodes(xpath = "//th[@class = 'string type2']/ancestor::td/preceding-sibling::th") %>% 
html_text()
#> [1] "text_that_I_want"

如何获取某个class之前的HTML元素？

How to get HTML element that is before a certain class?

html

r

web-scraping

rvest

xml2