我是XPath的新手 - 请放轻松我。
无法在目标网页上为没有大量结构的元素提取XPath。
数据集是新泽西州学校report cards。个人报告卡看起来像this
我已经找到了如何提取具有summary
标记的表格:
url <- paste("http://education.state.nj.us/rc/rc11/rcreport.php?c=",
all_sch[i,1],";d=",all_sch[i,2],";s=",all_sch[i,3],sep = '')
doc = htmlParse(url)
admin_salaries = getNodeSet(doc, '//table[@summary="Administrative Salaries and Benefits"]')
但是在没有很多额外识别信息可以解决的情况下遇到麻烦。
例如,具有学校名称和分区的表格如下所示:
<table cellpadding="0" cellspacing="0">
<tr>
<td><strong>SCHOOL:</strong></td>
<td> New Jersey Ave</td>
</tr>
<tr>
<td><strong>COUNTY:</strong></td>
<td> Atlantic</td>
</tr>
<tr>
<td><strong>DISTRICT:</strong></td>
<td> Atlantic City</td>
</tr>
</table>
我的策略是“查找表格中的节点并使用文本COUNTY
Reading尽可能多地关于XPath,我正在尝试这个:
names = getNodeSet(doc,'//table and //*[contains(text(),"COUNTY")]')
但它不是返回表节点,而是给我一个布尔TRUE
值。
所以,问题是:如何使用XPath查找具有COUNTY和SCHOOL文本的表?
我尝试了很多其他策略,但收效甚微。其他人建议的一种方法就是使用以下方法提取每个表数据单元:
xpathApply( htmlTreeParse(url, useInt=T), "//td", function(x) xmlValue(x))
但是模板与缺失的数据不一致 - 不完整的报告具有完全不同的结构,并且元素在2,000多个页面中的位置不同。
非常感谢任何帮助!
答案 0 :(得分:5)
使用xpath获取所有表
xpathSApply( doc, "//table[contains(.,'SCHOOL:')
and contains(.,'COUNTY') ]",xmlValue)
获取行
xpathSApply( doc, "//tr/td[contains(.,'SCHOOL:')
and contains(.,'COUNTY') ]",xmlValue)