Question

在R中使用 rvest 来抓取网页，我想从节点中提取等效的innerHTML，特别是要更改在应用html_text之前换行换行符。

所需功能的示例：

library(rvest)
doc <- read_html('<html><p class="pp">First Line<br />Second Line</p>')
innerHTML(doc, ".pp")

应产生以下输出：

[1] "<p class=\"pp\">First Line<br>Second Line</p>"

rvest 0.2这可以通过 toString.XMLNode

来实现

# run under rvest 0.2
library(XML)
html('<html><p class="pp">First Line<br />Second Line</p>') %>% 
  html_node(".pp") %>% 
  toString.XMLNode
[1] "<p class=\"pp\">First Line<br>Second Line</p>"

使用较新的rvest 0.2.0.900，此功能不再适用。

# run under rvest 0.2.0.900
library(XML)
html_node(doc,".pp") %>% 
  toString.XMLNode
[1] "{xml_node}\n<p>\n[1] <br/>"

write_xml现在所依赖的xml2 函数包rvest 一般提供所需的功能 - 如果只有write_xml可以给出它输出到变量而不是坚持写入文件。（也不接受textConnection）。

作为解决方法，我可以暂时写入文件：

# extract innerHTML, workaround: write/read to/from temp file
html_innerHTML <- function(x, css, xpath) {
  file <- tempfile()
  html_node(x,css) %>% write_xml(file)
  txt <- readLines(file, warn=FALSE)
  unlink(file)
  txt
}
html_innerHTML(doc, ".pp") 
[1] "<p class=\"pp\">First Line<br>Second Line</p>"

然后我可以将换行符转换为换行符：

html_innerHTML(doc, ".pp") %>% 
  gsub("<br\\s*/?\\s*>","\n", .) %>%
  read_html %>%
  html_text
[1] "First Line\nSecond Line"

有没有更好的方法来处理现有的功能，例如： rvest，xml2，XML或其他套餐？特别是我想避免写入硬盘。

Answer 1

正如@ r2evans所说，as.character(doc)是解决方案。

关于您最后一段代码片段，它希望在将<br>转换为换行符时从节点中提取<br>分隔的文本，但目前尚未解析的rvest issue #175, comment #2中有一种解决方法：

此问题的简化版本：

doc <- read_html('<html><p class="pp">First Line<br />Second Line</p>')

# r2evan's solution:
as.character(rvest::html_node(doc, xpath="//p"))
##[1] "<p class=\"pp\">First Line<br>Second Line</p>"

# rentrop@github's solution, simplified:
innerHTML <- function(x, trim = FALSE, collapse = "\n"){
    paste(xml2::xml_find_all(x, ".//text()"), collapse = collapse)
}
innerHTML(doc)
## [1] "First Line\nSecond Line"

Answer 2

以下是使用rvest 0.3.5的解决方案：

doc <- xml2::read_html('<html><p class="pp">First Line<br />Second Line</p>')

nodes <- rvest::html_nodes(doc, css = '.pp')
# {xml_nodeset (1)}
# [1] <p class="pp">First Line<br>Second Line</p>

rvest::html_text(nodes)
# [1] "First LineSecond Line"

R：rvest提取innerHTML

2 个答案: