使用 rlang::duplicate 克隆的 rvest 对象未正确克隆

Question

rvest 似乎没有提供任何仅从父对象中提取文本的方法（忽略子对象）。一个workaround 使用xml_remove()，它会改变原始对象——给定R 的默认惰性求值，一直沿内存链向上。

我查看rlang::duplicate()，它被认为是“修改副本使原始对象保持不变”，但克隆似乎并不是真正独立的。例如：

require(rvest)

h = '<ul>
<li id="target">
text to extract
<ul><li>text to ignore</li><li>this too</li></ul>
</li>
</ul>'

doc = xml2::read_html(h)
x = html_node(doc, '#target')

html_text(x)
#> [1] "\ntext to extract\ntext to ignorethis too"

现在克隆 x，移除它的子节点，然后提取文本：

x2 = rlang::duplicate(x, shallow = FALSE)
children = html_children(x2)
xml2::xml_remove(children)
html_text(x2)
#> [1] "\ntext to extract\n"

这可以按预期工作，但是 x 也发生了变异：

html_text(x)
#> [1] "\ntext to extract\n"

任何建议为什么以及如何解决这个问题？我不想开始重新连接孩子..

Answer 1

另一种可能的解决方案（可能是更通用的方法）是使用html_children() 函数获取所有子节点的文本，然后将其从全文中删除。

require(rvest)

h = '<ul>
<li id="target">
text to extract
<ul><li>text to ignore</li><li>this too</li></ul>
</li>
</ul>'

doc = xml2::read_html(h)
x = html_node(doc, '#target')

fulltext <- html_text(x)
# [1] "\ntext to extract\ntext to ignorethis too"

#find the text in the children nodes
childtext <- html_children(x) %>% html_text()
# "text to ignorethis too"

#replace the child node text with a numm
gsub(childtext, "", fulltext) %>% trimws() 
#"text to extract"


    #alternative using the text from the first child node
    firstchild <- xml_child(x, search=1) %>% xml_text()
    gsub(paste0(firstchild, ".*"), "", fulltext) 

当然，如果有额外的换行符“\n”或格式化字符，gsub() 可能会中断。

Answer 2

首先让我说，我认为 yoo 可以在不复制数据的情况下解决问题。我不是 xpath 方面的专家，但我认为您可以使用它来仅选择直接文本后代，而忽略嵌套在其他 xml 节点中的文本。 IE。以下似乎没有任何副本就可以解决问题（x 在您的问题中定义）：

html_text(html_elements(x, xpath = "text()"))
# [1] "\ntext to extract\n"

话虽如此，我也有一个关于如何制作深拷贝的问题的答案：

问题是rlang::duplicate()只能复制R数据结构。但是，rvest 建立在 xml2 之上，xml2 建立在 C 库 libxml2 之上。

在 R 中创建 xml_node 对象时，会在 libxml2 中创建相应的数据结构。在 R 端，基本上只有一个指向 libxml2 对象的指针。所以rlang::duplicate() 只会创建该指针的副本，而不是基础数据的副本。它不能这样做，因为它无法访问它，因为它位于不同的库中（rlang 不知道）。

创建底层数据副本的最简单方法似乎是对 xml 进行序列化和反序列化。我怀疑这不是很有效。

例子：

读入原始数据：

require(rvest)

h <- '<ul>
<li id="target">
text to extract
<ul><li>text to ignore</li><li>this too</li></ul>
</li>
</ul>'


doc <- xml2::read_html(h)
x <- html_node(doc, '#target')

创建两个副本 - 一个带有 rlang:duplicate()，另一个带有 xml2::xml_unserialize()：

x1 <- rlang::duplicate(x, shallow = FALSE)
x2 <- xml2::xml_unserialize(xml2::xml_serialize(x, NULL))

检查x 和x1 是否实际上相同，而x2 是真实副本（您获得的内存位置当然与此处显示的不同）：

x$doc
# <pointer: 0x0000023911334ea0>
x1$doc
# <pointer: 0x0000023911334ea0>  
# --> same as x
x2$doc
# <pointer: 0x00000239113377d0>
# --> different to x

测试一切是否按预期工作：

children <- html_children(x2)
xml2::xml_remove(children)

html_text(x2)
# [1] "\n    text to extract\n    "
html_text(x)
# [1] "\n    text to extract\n    text to ignorethis too"