Question

我试图从像这样的html代码中提取标题1（h1）：

<div class="cuerpo-not"><div mod="2323">
<h1>Jamón 5 Jotas, champagne Bollinger y King Alexander III</h1>

我使用函数xpathSApply()但它什么都不返回：

xpathSApply(webpage, "//div[contains(@class, 'cuerpo-not')]/h1", xmlValue)
# list()

但是当我在没有指定标题类的情况下使用相同的函数时，它会以这种格式返回类下面的所有信息：

xpathSApply(webpage, "//div[contains(@class, 'cuerpo-not')]", xmlValue)

# ;\n\t\t}\n\t}\n\t\n\t\n\tenviarNoticiaLeida_Site( 6916437,16 ) ;\n//]]>Jamón 5 Jotas, champagne Bollinger y King Alexander III\n\n\n\tPor J.M.

如何以字符串形式提取信息？在其他网页中，以前的代码已经有效。

Answer 1

我认为您的查询中只需要/一个h1，而不是//h1，而不是/h1。

library(XML)

x <- '<div class="cuerpo-not"><div mod="2323">
<h1>Jamón 5 Jotas, champagne Bollinger y King Alexander III</h1>'

xpathSApply(htmlParse(x), "//div[contains(@class, 'cuerpo-not')]//h1", xmlValue)
# [1] "JamÃ³n 5 Jotas, champagne Bollinger y King Alexander III"

使用XML包在R中刮取html标头

1 个答案: