Question

我使用下面的脚本尝试从PDF转换的HTML文件中提取数据。

temp.html <- scan(file=filename,what="character")
pagetree <- htmlTreeParse(temp.html, error=function(...){}, useInternalNodes = TRUE)
tx.raw <- getNodeSet(pagetree,"//div")

tx.raw创建一个列表，其中一个显示如下：

tx[[170]]

[[170]]
<div style="position:absolute;top:985;left:748">
  <nobr>
    <span class="ft03"> 




971.72
 </span>
  </nobr>
</div>

我需要的信息在span内（即971.72），但我还需要style中的div告诉我这些数据的确切位置span位于pdf文件中。我怎样才能提取样式信息呢？感谢。

Answer 1

我会用简单的正则表达式：

来做到这一点

sub('.*style="([0-9a-z;:]*)".*', '\\1', t)

t将相应的HTML部分保存为文本。

基于演示HTML部分的冗长示例：

## loading your demo HTML part to one line
t <- paste(readLines(textConnection('<div style="position:absolute;top:985;left:748">
  <nobr>
    <span class="ft03">




971.72
 </span>
  </nobr>
</div>')), collapse = '')

## let us extract some parts!
library(XML)
t.html <- htmlTreeParse(t, useInternalNodes = TRUE)
t.val <- xpathApply(t.html, '//div', xmlValue)
t.val <- gsub('\\s', '', t.val)
t.style <- sub('.*style="([0-9a-z;:]*)".*', '\\1', t)

根据您之前解析HTML的方式，当然可以消除上述大部分内容。

<强>结果：

> t.val
[1] "971.72"
> t.style
[1] "position:absolute;top:985;left:748"

提取top和left可以类似地解决，我只是不处理它，因为我不确定是否例如left和top是静态字符串。

使用R中的XML在html中抓取数据时提取“样式”信息

1 个答案: