Question

我使用HTMLTreeParser获取此结构，我需要在页面中包含文本

doc <- htmlTreeParse(url, useInternalNodes = FALSE)
doc
$file
[1] "http://www.google.com/trends/fetchComponent?q=asdf,qwerty&cid=TIMESERIES_GRAPH_0&export=3"

$version
[1] ""

$children
$children$html
<html>
<body>
<p>// Data table response google.visualization.Query.setResponse([INSERT LOT OF JSON HERE])</p>
</body>
</html>
attr(,"class")
[1] "XMLDocumentContent"

我正在寻找“p”区块上的内容。我今天没有找到任何可以帮助我的东西那么，我该如何获得这些数据？

Answer 1

如果要在文档上运行XPath，则需要设置useInternalNodes = TRUE（请参阅有关此参数的文档）。以下代码可以帮助您开始使用XPath。

[注意：当我运行你的代码时，我得到一个错误页面，而不是你得到的文件。]

library(XML)
url <- "http://www.google.com/trends/fetchComponent?q=asdf,qwerty&cid=TIMESERIES_GRAPH_0&export=3"
doc <- htmlTreeParse(url, useInternalNodes = T)
# XPath examples
p        <- doc["//p"]        # nodelist of all the <p> elements (there aren't any...)
div      <- doc["//div"]      # nodelist of all the <div> elememts
scripts  <- doc["//script"]   # nodelist of all the <script> elements
b.script <- doc["//body/script"]    # nodelist of all <script> elements within the <body>

# title of the page
xmlValue(doc["//head/title"][[1]])
# [1] "Google Trends - An error has been detected"

基本上，您可以使用XPath字符串，就好像它是文档的索引一样。所以在你的情况下，

xmlValue(doc["//p"][[1]])

应该返回<p>

中（第一个）doc元素中包含的文本

访问结构字段（XML包）

1 个答案: