将 R2HTML 与 rvest/xml2 一起使用

Question

我正在阅读 this 关于新包 XML2 的博客 post。以前，rvest 曾经依赖于 XML，它通过在两个包中组合函数（至少）使我的很多工作更容易：例如，我会使用 htmlParse 来自 XML 当我无法使用 html 读取 HTML 页面时打包（现在他们调用 read_html）。

请参阅示例，然后我可以在解析后的页面上使用rvest 函数，如html_nodes、html_attr。现在，rvest 取决于 XML2 这是不可能的（至少在表面上）。

我只是想知道 XML 和 XML2 之间的基本区别是什么。除了在我之前提到的 post 中注明 XML 包的作者外，包的作者没有解释 XML 和 XML2.[=26 之间的区别=]

另一个例子：

library(R2HTML) #save page as html and read later
library(XML)
k1<-htmlParse("")
head(getHTMLLinks(k1),5) #This works

[1] "//whosebug.com"           "http://chat.whosebug.com" "http://blog.whosebug.com" "//whosebug.com"          
[5] "http://meta.whosebug.com"

# But, I want to save HTML file now in my working directory and work later

HTML(k1,"k1") #Later I can work with this
rm(k1)
#read stored html file k1
head(getHTMLLinks("k1"),5)#This works too 

[1] "//whosebug.com"           "http://chat.whosebug.com" "http://blog.whosebug.com" "//whosebug.com"          
[5] "http://meta.whosebug.com"

#with read_html in rvest package, this is not possible (as I know)
library(rvest)
library(R2HTML)
k2<-read_html("")

#This works
df1<-k2 %>%
html_nodes("a")%>%
html_attr("href")

head(df1,5)
[1] "//whosebug.com"           "http://chat.whosebug.com" "http://blog.whosebug.com" "//whosebug.com"          
[5] "http://meta.whosebug.com"

# But, I want to save HTML file now in my working directory and work later
HTML(k2,"k2") #Later I can work with this
rm(k2,df1)
#Now extract webpages by reading back k2 html file
#This doesn't work
k2<-read_html("k2") 

df1<-k2 %>%
html_nodes("a")%>%
html_attr("href")

df1
character(0)

更新：

#I have following versions of packages loaded: 
lapply(c("rvest","R2HTML","XML2","XML"),packageVersion)
[[1]]
[1] ‘0.2.0.9000’

[[2]]
[1] ‘2.3.1’

[[3]]
[1] ‘0.1.1’

[[4]]
[1] ‘3.98.1.2’

我正在使用 Windows 8、R 3.2.1 和 RStudio 0.99.441。

Answer 1

R2HTML 包似乎只是 capture.out 在 XML 对象上，然后将其写回磁盘。这似乎不是将 HTML/XML 数据保存回磁盘的可靠方法。两者可能不同的原因是 XML 数据与 xml2 数据的打印方式不同。您可以定义一个函数来调用 as.character() 而不是依赖 capture.output

HTML.xml_document<-function(x, ...) HTML(as.character(x),...)

或者您可以完全跳过 R2HTML，直接用 write_xml 写出 xml2 数据。

也许最好的方法是先下载文件，然后再导入。

download.file("", "local.html")
k2 <- read_html("local.html")

将 R2HTML 与 rvest/xml2 一起使用

Using R2HTML with rvest/xml2

xml

r

rvest