Question

（基于我自己的问题及其@astrofunkswag here的回答）

我正在使用rvest抓取网页，并使用purrr::map_df将收集的数据转换为数据框。我遇到一个问题，即map_df仅选择具有多个元素的html标签的第一个元素。理想情况下，我希望在结果数据框中捕获标记的所有元素，并希望将具有较少元素的标记回收。

采用以下代码：

library(rvest)
library(tidyverse)

urls <- list("https://en.wikipedia.org/wiki/FC_Barcelona",
             "https://en.wikipedia.org/wiki/Rome")
h <- urls %>% map(read_html)

out <- h %>% map_df(~{
  a <- html_nodes(., "#firstHeading") %>% html_text()
  b <- html_nodes(., ".toctext") %>% html_text()

  a <- ifelse(length(a) == 0, NA, a)
  b <- ifelse(length(b) == 0, NA, b)

  df <- tibble(a, b)
})
out

产生以下输出：

> out
# A tibble: 2 x 2
  a            b        
  <chr>        <chr>    
1 FC Barcelona History  
2 Rome         Etymology
>

此输出是不希望的，因为它仅包含与b相对应的标记的第一个元素。在源网页中，与b关联的元素是网页的字幕。所需的输出大致如下所示：

  a            b        
  <chr>        <chr>    
1 FC Barcelona History  
2 FC Barcelona  1899–1922: Beginnings  
3 FC Barcelona 1923–1957: Rivera, Republic and Civil War  
.
.
6 Rome         Etymology
7 Rome         History
8 Rome         Earliest history
.
.
>

Answer 1

来自?ifelse

ifelse返回与测试形状相同的值

例如，请参见

ifelse(FALSE, 20, 1:5)
#[1] 1

由于length(FALSE)为1，因此仅选择1:5的第一个值为1。

类似地，当您在做

ifelse(length(a) == 0, NA, a)

length(length(a) == 0)为1，因此仅返回a的第一个值。

在这种情况下，我们可以使用if代替ifelse，因为我们只需检查一个元素，因为

if(FALSE) 20 else 1:5 #returns
#[1] 1 2 3 4 5

所以它将通过这样做为您提供输出

library(tidyverse)
library(rvest)

h %>% map_df(~{
   a <- html_nodes(., "#firstHeading") %>% html_text()
   b <- html_nodes(., ".toctext") %>% html_text()
   a <- if (length(a) == 0) NA else a
   b <- if (length(b) == 0) NA else b
  tibble(a,b)
}) 


#    a            b                                        
#   <chr>        <chr>                                    
# 1 FC Barcelona History                                  
# 2 FC Barcelona 1899–1922: Beginnings                    
# 3 FC Barcelona 1923–1957: Rivera, Republic and Civil War
# 4 FC Barcelona 1957–1978: Club de Fútbol Barcelona      
# 5 FC Barcelona 1978–2000: Núñez and stabilization       
# 6 FC Barcelona The Dream Team era                       
# 7 FC Barcelona 2000–2008: Exit Núñez, enter Laporta     
# 8 FC Barcelona 2008–2012: Guardiola era                 
# 9 FC Barcelona 2014–present: Bartomeu era               
#10 FC Barcelona Support                                  
# … with 78 more rows

使用rvest和purrr :: map_df构建数据框：处理多元素标签

1 个答案: