我想在R中使用 rvest 抓取网页，我想从节点中提取等效的innerHTML，特别是在应用html_text之前将换行符更改为换行符。
所需功能的示例:
library(rvest)
doc <- read_html('<html><p class="pp">First Line<br />Second Line</p>')
innerHTML(doc, ".pp")
应产生以下输出:
[1] "<p class=\"pp\">First Line<br>Second Line</p>"
使用
rvest 0.2可以通过来实现。toString.XMLNode # run under rvest 0.2
library(XML)
html('<html><p class="pp">First Line<br />Second Line</p>') %>%
html_node(".pp") %>%
toString.XMLNode
[1] "<p class=\"pp\">First Line<br>Second Line</p>"
对于较新的
rvest 0.2.0.900，此功能不再起作用。# run under rvest 0.2.0.900
library(XML)
html_node(doc,".pp") %>%
toString.XMLNode
[1] "{xml_node}\n<p>\n[1] <br/>"
所需功能通常在
write_xml现在依赖的xml2包的 rvest 函数中可用-如果只有write_xml可以将其输出提供给变量，而不是坚持要写入文件。 (同样不接受textConnection)。作为一种解决方法，我可以临时写入文件:
# extract innerHTML, workaround: write/read to/from temp file
html_innerHTML <- function(x, css, xpath) {
file <- tempfile()
html_node(x,css) %>% write_xml(file)
txt <- readLines(file, warn=FALSE)
unlink(file)
txt
}
html_innerHTML(doc, ".pp")
[1] "<p class=\"pp\">First Line<br>Second Line</p>"
这样，我就可以例如将换行符转换为换行符:
html_innerHTML(doc, ".pp") %>%
gsub("<br\\s*/?\\s*>","\n", .) %>%
read_html %>%
html_text
[1] "First Line\nSecond Line"
有没有更好的方法可以使用例如
rvest，xml2，XML或其他软件包？特别要避免写入硬盘。 最佳答案
正如@ r2evans所指出的，as.character(doc)是解决方案。
关于您最后一个想要将<br>转换为换行符时将<br>分隔的文本提取到节点之外的文本的代码片段，当前 Unresolved rvest issue #175, comment #2中有一种解决方法:
此问题的简化版本:
doc <- read_html('<html><p class="pp">First Line<br />Second Line</p>')
# r2evan's solution:
as.character(rvest::html_node(doc, xpath="//p"))
##[1] "<p class=\"pp\">First Line<br>Second Line</p>"
# rentrop@github's solution, simplified:
innerHTML <- function(x, trim = FALSE, collapse = "\n"){
paste(xml2::xml_find_all(x, ".//text()"), collapse = collapse)
}
innerHTML(doc)
## [1] "First Line\nSecond Line"