R读取并解析HTML到列表答案

【问题标题】：R Read & Parse HTML to ListR读取并解析HTML到列表
【发布时间】：2016-12-18 20:20:28
【问题描述】：

我一直在尝试阅读和解析一些 HTML，以获取动物收容所的动物状况列表。我确信我对 HTML 解析的缺乏经验并没有帮助，但我似乎没有得到什么快。

这是 HTML 的 sn-p：

<select multiple="true" name="asilomarCondition" id="asilomarCondition">

    <option value="101">
        Behavior- Aggression, Confrontational-Toward People (mild)
        -
        TM</option>
....
</select>

标签只有一个<select...>，其余的都是<option value=x>。

我一直在使用 XML 库。我可以删除换行符和制表符，但没有成功删除标签：

conditions.html <- paste(readLines("Data/evalconditions.txt"), collapse="\n")
conditions.text <- gsub('[\t\n]',"",conditions.html)

作为最终结果，我想要一份我可以进一步处理的所有条件的列表，以供以后用作因子名称：

Behavior- Aggression, Confrontational-Toward People (mild)-TM
Behavior- Aggression, Confrontational-Toward People (moderate/severe)-UU
...

我不确定是否需要使用 XML 库（或其他库），或者 gsub 模式是否足够（无论哪种方式，我都需要弄清楚如何使用它）。

【问题讨论】：

你能用那个选择框指向完整的 URL 或者扩展一下 sn-p 吗？
我发现 rvest 包更易于使用。如果您可以提供该网站的链接，那么有人可以编写您的解决方案。
它是 HTML。这是@alistaire 形式的选择列表
哎呀，真的。 library(rvest) ; html %>% read_html() %>% html_nodes('option') %>% html_text(trim = TRUE)
很遗憾，我无法提供网址。它是一个只有用户访问权限的在线 DBMS。我是收容所的一名志愿者，试图帮助进行一些数据分析。我可以拉整个页面，但那里可能有敏感数据。我只是拿了一个动物实例来获得我需要的部分。如果有用的话，我可以发布我拉的整个 sn-p。不过，我会查看 rvest 库！

标签： r html-parsing

【解决方案1】：

这里是使用 rvest 包的开始：

library(rvest)
#read the html page
page<-read_html("test.html")
#get the text from the "option" nodes and then trim the whitespace
nodes<-trimws(html_text(html_nodes(page, "option")))

#nodes will need additional clean up to remove the excessive spaces 
#and newline characters
nodes<-gsub("\n", "", nodes)
nodes<-gsub("  ", "", nodes)

矢量节点应该是您要求的结果。此示例基于上面提供的有限示例，实际页面可能会出现意想不到的结果。

【讨论】：

谢谢，@Dave2e！这非常有效！我还有一些额外的字符要清理，但是用你的例子很容易做到。继续进行其余的数据清理！ :o