Question

我是html抓取和R的新手，所以对我来说这是一个棘手的问题。我有一个像下面指定的html结构（只有正文部分）。我必须分开各个部分，每个部分都有x个段落。我想要的是将section1中的所有段落挑选到一个对象，将第2节中的所有段落挑选到一个对象中。

我目前的代码如下：

docx <- read_html("Page.html") 
sections = html_nodes(docx, xpath="//div [@class='sections']/*")

这给了我一个xml_nodes对象，List of 2，里面有段落。我的问题是我不能将xpathApply用于节点集，因为它会抛出错误。但我想挑出所有这样的段落：

subsparagraphs1 = html_nodes(sections[[1]], xpath="//p "),

然后它会从WHOLE html页面中选出所有段落，而不是第一部分。

我试图更具体：

subsections = html_nodes(sections[[1]], xpath="./div/div/p")

然后它什么都没有，或者这个：

subsections = html_nodes(sections[[1]], xpath="/p [@class = 'pwrapper']")

这也没有任何结果。任何人都可以帮我解决这个问题吗？

最好，米娅

这是我想要的html结构Text1，text 2和text 3保存在一个对象中，4,5和6保存在一个对象中。

   <div class = "content">
        <div class = "title"> ... </div>
        <div class = "sections"> 
            <div> ... >/div
                <div class = "sectionHeader">
                <div> 
                    <p class = "pwrapper"> Text 1 </p>
                    <p class = "pwrapper"> Text 2 </p>
                    <p class = "pwrapper"> Text 3 </p> 
               </div>
                <div> ... </div>
                <div> ... </div>
            <div> ... >/div
                <div class = "sectionHeader">
                <div>  
                    <p class = "pwrapper"> Text 4 </p>
                    <p class = "pwrapper"> Text 5 </p>
                    <p class = "pwrapper"> Text 6 </p>
                </div>
                <div> ... </div>
                <div> ... </div>
        </div>
    </div>

Answer 1

即使您的输入XML包含语法错误，我也会假设 sectionHeader元素是兄弟姐妹（它们位于同一父级（sections下）的同一级别

在这种情况下，您的XPath将是：

//div[@class = 'sections']//div[@class='sectionHeader'][1]//p[@class = 'pwrapper']/text()
//div[@class = 'sections']//div[@class='sectionHeader'][2]//p[@class = 'pwrapper']/text()

所有变化都是索引进入//div[@class='sectionHeader']序列（1和2 - XPath从1开始，而不是0）。

如果输入XML的结构与我观察/假设的结构不同，请告诉我。

P.S。：您可以通过删除第一个路径部分来简化 XPath：//div[@class = 'sections']。

从R中的xml_Nodes中选择段落

1 个答案: