Question

我试图阅读本网站上的表格：

http://spacefem.com/pregnant/due.php?use=EDD&m=09&d=10&y=16

我使用clusplot，但很快收到错误：

rvest

错误：名称扰乱：3tbt4d3m不符合XML命名空间[202]

这个错误是什么意思，我能做些什么来绕过它？

我已经找到导致错误的内部函数：library(rvest) read_html("http://spacefem.com/pregnant/due.php?use=EDD&m=09&d=10&y=16")。但是，xml2:::doc_parse_raw只是对内部C代码的调用，使得对此问题的调试变得更加困难。

Answer 1

HTML包含导致问题的格式不正确的标记，特别是<spoiler:3tbt4d3m>，如错误所示。如果您使用httr获取HTML而不进行解析，则可以使用正则表达式删除该标记及其内容而不会发生意外，因为快速查看显示它不包含该表。

library(httr)
library(rvest)

url <- 'http://spacefem.com/pregnant/due.php?use=EDD&m=09&d=10&y=16'

html <- url %>% GET(user_agent('R')) %>% content('text')

html2 <- gsub('<spoiler:3tbt4d3m>.*</spoiler:3tbt4d3m>', '', html)

df <- html2 %>% read_html() %>% 
    html_node(xpath = '//table[@border="1"]') %>% 
    # obviously insufficient to parse double headers, but at least the data exists now
    html_table(fill = TRUE)

df[1:5, 1:3]
##                        Date Progress Overall probability ofspontaneous labor
## 1                      Date Progress                            On this date
## 2 Saturday August 6th, 2016  35W, 0D                                   0.01%
## 3   Sunday August 7th, 2016  35W, 1D                                   0.01%
## 4   Monday August 8th, 2016  35W, 2D                                   0.02%
## 5  Tuesday August 9th, 2016  35W, 3D                                   0.02%

混合正则表达式和HTML让我有点不安，所以也许有一种更清洁的整理方式，但在解析之前我不确定它会是什么。

Answer 2

另一种选择是使用htmltidy（需要使用v0.3.0或更高版本，这意味着 - 截至本答复之日 - 使用开发版本与CRAN版本，直到CRAN高达0.3.0+）去＆＃34;清洁＆＃34;文件：

library(rvest)
library(htmltidy) # devtools::install_github("hrbrmstr/htmltidy")
library(httr)

URL <- "http://spacefem.com/pregnant/due.php?use=EDD&m=09&d=10&y=16"

# the site was not returning content for me w/o a more browser-like user agent

res <- GET(URL, user_agent("Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.76 Mobile Safari/537.36"))

cleaned <- tidy_html(content(res, as="text", encoding="UTF-8"),
                     list(TidyDocType="html5"))

pg <- read_html(cleaned)

名称不符合XML命名空间

2 个答案: