Question

我正在尝试从以下网址中的表中抓取数据：

http://www.nfpa.org/itemDetail.asp?categoryID=953&itemID=23033

问题是

中包含的上标

<sup> </sup>

标记。当我使用以下代码时（诚然不是很优雅）

url.overview <- "http://www.nfpa.org/itemDetail.asp?categoryID=953&itemID=23033"
overview <- readHTMLTable(overview)
overview <- overview[[2]]
overview <- overview[-1,]

f <- function(x){
  out <- iconv(x, "latin1", "ASCII", sub="")
  out <- gsub('[\\$,]', '', out) 
  out <- as.numeric(out)
  return(out)
}

overview <- matrix(f(as.character(unlist(overview))), ncol = ncol(overview))
overview <- as.data.frame(overview)
names(overview) <- c('year', 'fires', 'civ.deaths', 'civ.injuries', 'ff.deaths',
                     'ff.injuries', 'damage.reported', 'damage.2010dollars')

我得到了我想要的，除了，上标中的值被附加到表格单元格中值的末尾。例如，（使用上面给出的URL中的行和列名称）2001年的平民死亡当它们应该是6196时存储为61963，因为上标3被解释为额外的数字。表中缺少上标的任何单元都完全正确。

经过几个小时努力完成文档后，我能够使用XML包中的函数parseHTML和getNodeSet来识别包含<sup>标记的所有节点，但是不能不知道该怎么做：

overview <- htmlParse(url.overview)
getNodeSet(overview, "//sup")

我认为我需要删除XML树的这些部分，然后将结果传递回readHTMLTable以进行进一步处理，但我无法弄清楚如何执行此操作。

我非常感谢你的想法。

Answer 1

尝试

require(XML)
url.overview <- "http://www.nfpa.org/itemDetail.asp?categoryID=953&itemID=23033"
overview <- htmlParse(url.overview,encoding="UTF-8")
temp<-getNodeSet(overview, "/*//span[@class=\"small\"]/sup")
removeNodes(temp)
app.data<-readHTMLTable(overview)[[2]]

所以在这里我们只删除我们不想要的节点，并将剩余部分反馈到readHTMLTable第二个表中。我在这个Windows框上遇到编码问题。您可能希望将编码保留在htmlParse中，或者它可能无法正常工作。

删除XML包中readHTMLTable中的标记

1 个答案: