html - 在 R 中解析 HTML 文件

Question

我想从网站读取 HTML 文件。具体来说，我想从 gutenberg.org 阅读 HTML 格式的书籍。每章的标题都标有标签“h2”，每章的内容都在“h2”之后的段落标签“p”中。使用 XML 包，我能够获取每个标签的值或完整的 HTML 代码。

这是使用 George Elliot 的 Middlemarch 的示例代码:

library(XML)

doc.html = htmlTreeParse('http://www.gutenberg.org/files/145/145-h/145-h.htm',
                         useInternal = TRUE)
doc.value <- xpathApply(doc.html, '//h2|//p', xmlValue)
doc.html.value <- xpathApply(doc.html, '//h2|//p')

doc.value 包含一个列表，其中每个元素都是标签的内容，但我不知道是 h2 标签还是 p 标签。另一方面，doc.html.value 包含一个列表，其中包含每个标签的 html 代码。这为我提供了它是“h2”还是“p”标签的信息，但它还包含许多我不需要的额外代码(如样式信息等)。

我的问题:有没有一种简单的方法可以只获取标签的类型和标签的值，而不获取与其关联的其他信息？

Answer 1

查看 xmlValue 的文档表明还有另一个名为 xmlName 的函数，它只提取标签的名称。使用这两个，可以计算出你想要的:

doc.html.name.value <- xpathApply(doc.html, '//h2|//p', function(x) { list(name=xmlName(x), content=xmlValue(x)); })

> doc.html.name.value[[1]]
$name
[1] "h2"

$content
[1] "\r\nGeorge Eliot\r\n"