Question

我目前正在尝试解析R中的HTML代码。目前我正在使用XML和RCurl包来解析信息。

webpage <- getURL("http://www.imdb.com/title/tt0809504/fullcredits?ref_=tt_ov_wr#writers")
webpage <- readLines(tc <- textConnection(webpage)); close(tc)
pagetree <- htmlTreeParse(webpage, error=function(...){}, useInternalNodes = TRUE)
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("", "|"))]
head(x)

但是，我真正想做的只是解析以

开头的html的特定部分

<h4 class="dataHeaderWithBorder">Writing Credits

以

结尾

<h4 name="cast" id="cast" class="dataHeaderWithBorder">

任何帮助都会受到极大的赞赏。

Answer 1

这个问题并未准确指出所需的输出，但这是一个自包含的示例，它返回指示的节点。

library(XML)

Lines <- '<a>
  <b class = "Z">abc - ABC</b>
  <b class = "Z">xyz - XYZ</b>
  <b>def - DEF</b>
</a>'

doc <- htmlTreeParse(Lines, asText = TRUE)
xpath <- "//b[@class = 'Z' and contains(., 'xyz')]"
getNodeSet(xmlRoot(doc), xpath)

，并提供：

[[1]]
<b class="Z">xyz - XYZ</b>

解析R中的HTML代码

1 个答案: