Question

    <DOC NUMBER=1>
<DOCFULL> -->
<br><div class="c0">
<p class="c1"><span class="c2">Dokument 1 von 3</span></p>
</div>
<br><div class="c0">
<br><p class="c1"><span class="c2">Associated Press Financial Wire</span></p>
</div>
<br><div class="c3">
<p class="c1"><span class="c2">April 25, 2012 Wednesday 9:18 PM GMT </span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c6">Apple CEO Tim Cook emerges from Steve Jobs' shadow</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">BYLINE: </span><span class="c2">By PETER SVENSSON, AP Technology Writer</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">SECTION: </span><span class="c2">BUSINESS NEWS</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">LENGTH: </span><span class="c2">794 words</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">DATELINE: </span><span class="c2">NEW YORK </span></p>
</div>
<br><div class="c4">
<p class="c8"><span class="c2"> MAIN TEXT 1</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">LOAD-DATE: </span><span class="c2">April 26, 2012</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">LANGUAGE: </span><span class="c2">ENGLISH</span></p>
</div>
<br><div class="c4">
<p class="c5"><span class="c7">PUBLICATION-TYPE: </span><span class="c2">Newswire</span></p>
</div>
<br><div class="c0">
<br><p class="c1"><span class="c2">Copyright 2012 Associated Press<br>All Rights Reserved</span></p>
</div>
<!-- Hide XML section from browser
</DOCFULL>
</DOC> -->

我是xpath的新手，我想将它与R（Duncan Lang的xml包）结合使用，以查询我从LexisNexis收到的html文档。该文档包含多篇新闻文章，每篇文章都以<DOC NUMBER=1> <DOCFULL>标签为界。我想为每个文件提取一些信息，例如提取SECTION信息，我到目前为止：

doc <- htmlParse("hmtldoc.HTML")
xpathSApply(doc,"//span[text()='SECTION: ']/..", xmlValue)

给了我：

[1] "SECTION: BUSINESS NEWS" "SECTION: BUSINESS NEWS" "SECTION: BUSINESS NEWS"

这是我可以使用的输出。主要问题是并非每篇文章都有SECTION信息。我需要知道的是哪篇文章提供了这些信息，哪些文章没有，最好是返回NA或空列表元素，以便我自己推断出这些信息。

与此问题相关：我试图提出一个解决方案，我首先选择DOC或DOCFULL节点，然后从那里开始，例如：

xpathSApply(doc,"//DOCFULL/*/span[text()='SECTION: ']/..", xmlValue)

我认为这应该返回与上面相同的文本，但事实并非如此。无论如何，我仍然对这门语言很陌生，并感谢任何帮助。

Answer 1

由于DOCFULL和span之间存在多个'级别'的后代元素，因此您需要

模糊

//DOCFULL//*/span[text()='SECTION: ']/..

或者 具体关于等级（div和p）

//DOCFULL/*/*/span[text()='SECTION: ']/..

Answer 2

根据提供的文件，你可以使用它：

//*[span='SECTION: ']

您无需指定查找带有“SECTION：”文本的span节点，然后选择它的父节点，您只需选择具有该文本的'span'子节点的任何节点。

如果您需要它是DOCFULL元素的后代，请使用

//DOCFULL//*[span='SECTION: ']

xpath表达式无效

2 个答案: