如何在< meta name ...>内获取信息在html中使用htmlParse和xpathSApply标记

问题描述

我有一堆网页，我想提取它们的发布日期。
对于某些网页，日期位于abbr标签中（如：abbr class = \published\title = \2012-03-14T07：13：39 + 00：00\ > 2012-03-14，7:13），并且我可以使用以下命令获得日期：
doc = htmlParse（theURL，asText = T）
xpathSApply（doc，// abbr ，xmlValue）

但是对于其他网页，日期位于mega标签中，例如：

meta name = \ created\content = \2011-12-29T11：49：23 + 00：00\

meta name = \OriginalPublicationDate\content = \2012/11 / 14 10：56：58 \

我尝试了xpathSApply（doc，// meta，xmlValue），但它不起作用。

那么，我应该使用什么样的模式来代替// meta？

谢谢！

解决方案

以此页面为例：

  library（XML）
 url<  - http://stackoverflow.com/questions/22342501/
 doc<  -  htmlParse（url，useInternalNodes = T）
 names< -  doc [// meta / @ name] 
 content<  -  doc [// meta / @ content] 
 cbind（名称，内容）
＃名称内容
 ＃[1，]twitter：cardsummary
＃[2，]twitter：domainstackoverflow.com
＃[3，]og：typewebsite
＃[4，]og：imagehttp://cdn.sstatic.net/stackoverflow/img/[email protected]?v=fde65a5a78c6
＃[5， ]og：title如何获取<元名称中的信息...>在HTML中使用htmlParse和xpathSApply标记
＃[6，]og：description我有一堆网页，我想提取它们的发布日期。 \\\
对于一些网页，da[truncated] 
＃[7，]og：urlhttp://stackoverflow.com/questions/22342501/how-to-get-information-within-meta名称标签在html-usi[truncated] 
  

  xpathSApply（doc，// meta，xmlValue）
  

$ b

是 xmlValue（...）返回元素内容（例如，元素）。< meta> 标签没有文字。

I have a bunch of webpages and I want to extract their publishing dates. For some webpages, the dates are in the "abbr" tag (like: abbr class=\"published\" title=\"2012-03-14T07:13:39+00:00\">2012-03-14, 7:13"), and I was able to get the dates using: doc=htmlParse(theURL,asText=T)xpathSApply(doc,"//abbr",xmlValue)

But for other webpages, the dates are in the "mega" tags, for example:
meta name=\"created\" content=\"2011-12-29T11:49:23+00:00\"
meta name=\"OriginalPublicationDate\" content=\"2012/11/14 10:56:58\"

I tried xpathSApply(doc, "//meta",xmlValue), but it didn't work.

So, what pattern should I use instead of "//meta"?

Thank you!

解决方案

Using this page as an example:

library(XML)
url <- "http://stackoverflow.com/questions/22342501/"
doc <- htmlParse(url, useInternalNodes=T)
names   <- doc["//meta/@name"]
content <- doc["//meta/@content"]
cbind(names,content)
#      names            content                                                                                                           
# [1,] "twitter:card"   "summary"                                                                                                         
# [2,] "twitter:domain" "stackoverflow.com"                                                                                               
# [3,] "og:type"        "website"                                                                                                         
# [4,] "og:image"       "http://cdn.sstatic.net/stackoverflow/img/[email protected]?v=fde65a5a78c6"                                  
# [5,] "og:title"       "how to get information within <meta name...> tag in html using htmlParse and xpathSApply"                        
# [6,] "og:description" "I have a bunch of webpages and I want to extract their publishing dates. \nFor some webpages, the da" [truncated]
# [7,] "og:url"         "http://stackoverflow.com/questions/22342501/how-to-get-information-within-meta-name-tag-in-html-usi" [truncated] 

The problem with

xpathSApply(doc, "//meta",xmlValue)

is that xmlValue(...) returns the element content (e.g, the text part of an element). <meta> tags have no text.

这篇关于如何在&lt; meta name ...&gt;内获取信息在html中使用htmlParse和xpathSApply标记的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！