使用 XML 包在 R 中抓取 html headers

Question

我正在尝试从 html 代码中提取 header 1 (h1)，如下所示：

<div class="cuerpo-not"><div mod="2323">
<h1>Jamón 5 Jotas, champagne Bollinger y King Alexander III</h1>

我正在使用函数 xpathSApply() 但它 returns 没有:

xpathSApply(webpage, "//div[contains(@class, 'cuerpo-not')]/h1", xmlValue)
# list()

但是当我使用相同的函数而不指定 header 的 class 时，它 returns class 以下的所有信息都采用这种格式：

xpathSApply(webpage, "//div[contains(@class, 'cuerpo-not')]", xmlValue)

# ;\n\t\t}\n\t}\n\t\n\t\n\tenviarNoticiaLeida_Site( 6916437,16 ) ;\n//]]>Jamón 5 Jotas, champagne Bollinger y King Alexander III\n\n\n\tPor J.M.

如何将信息提取为字符串？在其他网页中，以前的代码已经起作用。

Answer 1

我认为您只需要在查询中再添加一个 / 到 h1，如 //h1 而不是 /h1。

library(XML)

x <- '<div class="cuerpo-not"><div mod="2323">
<h1>Jamón 5 Jotas, champagne Bollinger y King Alexander III</h1>'

xpathSApply(htmlParse(x), "//div[contains(@class, 'cuerpo-not')]//h1", xmlValue)
# [1] "JamÃ³n 5 Jotas, champagne Bollinger y King Alexander III"

使用 XML 包在 R 中抓取 html headers

Scraping html headers in R using XML package

html

xml

screen-scraping

r