Question

我正在尝试下载以下网站的完整源代码： http://www.carnegiehall.org/Students/

我想要提取的信息如下：

Carnegie Hall介绍

2013年3月28日，星期四|晚上7:30

Lawrence Brownlee

Martin Katz
     Zankel Hall

View Source显示该文本的以下代码块：

 <div class="info-col">
     <div class="up-lic">Carnegie Hall Presents</div>
     <div class="date">Thursday, March 28, 2013 | 7:30 PM</div> 
     <div class="clearfix"></div>
     <div class="title color">
         <a href="/Calendar/2013/3/28/0730/PM/Lawrence-Brownlee-Martin-Katz/">Lawrence Brownlee<BR>Martin Katz</a>
     </div>
     <div class="clearfix"></div>
     <div class="location"> Zankel Hall</div>
     <div class="clearfix"></div> 
     <br />

在R中运行以下内容时丢失了：

htmlParse(getURL("http://www.carnegiehall.org/Students", .opts = curlOptions(followlocation=TRUE)), asText = TRUE)

谁能告诉我我做错了什么？

Answer 1

似乎问题只是获取URL（而不是解析它）。您正在寻找的信息不会过来，如下所示：

H <- getURL("http://www.carnegiehall.org/Students", .opts = curlOptions(followlocation=TRUE))

grepl("Zankel Hall", H)
# [1] FALSE

grepl("March 28", H)
# [1] FALSE

如果你仔细观察html，看来日历是通过脚本

加载的

Answer 2

library(XML)
hdata <- htmlParse('http://www.carnegiehall.org/Students/')
xpathSApply(hdata,'//div[@class="info-col"]/div/text()|//div[@class="info-col"]/div/a/text()')
#[[1]]
#Carnegie Hall Presents 

#[[2]]
#Thursday, March 28, 2013 | 7:30 PM 

#[[3]]


#[[4]]
#Lawrence Brownlee 

#[[5]]
#Martin Katz 

#[[6]]
# Zankel Hall 

#[[7]]

在R中使用htmlParse（）时缺少网站源代码

2 个答案: