我想在R中阅读网址（e.q。，http://www.haaretz.com/）的内容。我想知道如何做到这一点
答案 0 :(得分：30)
不确定您要如何处理该页面，因为它非常混乱。正如我们re-learned in this famous stackoverflow question一样，在html上执行regex并不是一个好主意，因此您肯定希望使用XML包解析它。
这是一个让你入门的例子：
require(RCurl)
require(XML)
webpage <- getURL("http://www.haaretz.com/")
webpage <- readLines(tc <- textConnection(webpage)); close(tc)
pagetree <- htmlTreeParse(webpage, error=function(...){}, useInternalNodes = TRUE)
# parse the tree by tables
x <- xpathSApply(pagetree, "//*/table", xmlValue)
# do some clean up with regular expressions
x <- unlist(strsplit(x, "\n"))
x <- gsub("\t","",x)
x <- sub("^[[:space:]]*(.*?)[[:space:]]*$", "\\1", x, perl=TRUE)
x <- x[!(x %in% c("", "|"))]
这会产生一个主要只是网页文字的字符向量（以及一些javascript）：
> head(x)
[1] "Subscribe to Print Edition" "Fri., December 04, 2009 Kislev 17, 5770" "Israel Time:Â 16:48Â (EST+7)"
[4] "Â Â Make Haaretz your homepage" "/*check the search form*/" "function chkSearch()"
答案 1 :(得分：3)
您最好的选择可能是XML包 - 例如参见previous question。
答案 2 :(得分：2)
我知道你问过R.但也许python + beautifullsoup是前进的方向？然后用R你用beautifullsoup刮掉屏幕进行分析吗？