我怎样才能刮掉这个食谱？

Question

我正在尝试为我自己的个人收藏收集一些食谱。它在某些网站上效果很好，因为网站结构有时很容易允许抓取，但有些更难。这个我不知道怎么处理：

https://www.koket.se/halloumigryta-med-tomat-linser-och-chili

暂时，让我们假设我想要左边的配料。如果我检查网站，看起来我想要的是两个 article class="ingredients" 块。但我似乎无法到达那里。

我从以下开始：

library(rvest)
library(tidyverse)
read_html("https://www.koket.se/halloumigryta-med-tomat-linser-och-chili") %>%
  html_nodes(".recipe-column-wrapper") %>% 
  html_nodes(xpath = '//*[@id="react-recipe-page"]')

但是，运行上述代码显示所有成分都存储在data-item 中，如下所示：

<div id="react-recipe-page" data-item="{
   "chefNames":"<a href='/kockar/siri-barje'>Siri Barje</a>",
   "groupedIngredients":[{
      "header":"Kokosris",
      "ingredients":[{
         "name":"basmatiris","unit":"dl","amount":"3","amount_info":{"from":3},"main":false,"ingredient":true
      }
      <<<and so on>>>

所以我有点困惑，因为从检查网站来看，一切似乎都整齐地放在我可以提取的东西中，但现在不是。相反，我需要一些严肃的正则表达式才能得到我想要的一切。

所以我的问题是：我错过了什么吗？有什么方法可以获取ingredients 文章的内容吗？

（我尝试了 SelectorGadget，但它只给了我No valid path found）。

Answer 1

您可以使用rvest 包中的html_attr("data-item") 提取属性。

此外，data-item 属性看起来像是 JSON 格式，您可以使用 jsonlite 包中的 fromJSON 将其转换为列表：

html <- read_html("https://www.koket.se/halloumigryta-med-tomat-linser-och-chili") %>%
  html_nodes(".recipe-column-wrapper") %>% 
  html_nodes(xpath = '//*[@id="react-recipe-page"]')

recipe <- html %>% html_attr("data-item") %>% 
  fromJSON

最后，recipe 列表包含许多不相关的不同值，但元素 recipe$ingredients 中也有成分和测量值。