HTML 抓取 - R scrapR答案

【问题标题】：HTML scraping - R scrapRHTML 抓取 - R scrapR
【发布时间】：2014-06-28 18:35:40
【问题描述】：

我正在尝试解析以 HTML 格式编码的数据。我试图解析的字符串示例是：

Simplify the polynomial by combining like terms. <img src=\"/flx/math/inline/3x%2B12-11x%2B14\" class=\"x-math\" alt=\"3x+12-11x+14\" />

我想获取<img之前的文字和alt=中的文字

期望的输出：

Simplify the polynomial by combining like terms. 3x+12-11x+14

我试过scrapeR。

y1 = scrape (str1)  # the above string is in str1 (as a vector)

我收到以下错误消息

Error in which(value == defs) : 
  argument "code" is missing, with no default

有人玩过scrapeR吗？我不确定“代码”指的是什么，因为它是一个选项并且在手册中没有描述。只是想看看哪个默认值会影响这一点。

【问题讨论】：

scrape 函数根据文档通常将 URL 作为它的第一个未命名参数。 y1 = scrape(object="str1")呢？
它接受 str1。 y1=scrape(str1) 产生错误。 y1=scrape (object=str1) 会产生另一种错误 - 无法定位对象 str1。我认为 object=xxx 适用于带有 URL 等的对象。
应该是y = scrape(object="str1") 而不是y1 = scrape(object=str1)。请参阅文档：rdocumentation.org/packages/scrapeR/functions/scrape
y = scrape(object="str1") 将整个 HTML 包装器放在 y 中。它现在有等。它现在是一个完整的 HTML 文件。（我期待相反的结果。（感谢您的帮助）。
@MrFlick，感谢您编辑我的原始帖子并正确格式化。（我会学会这样做）。

标签： r web screen-scraping scraper

【解决方案1】：

这是提取该信息的一种方法

str1<-"Simplify the polynomial by combining like terms. <img src=\"/flx/math/inline/3x%2B12-11x%2B14\" class=\"x-math\" alt=\"3x+12-11x+14\" />"

library(scrapeR)    
y<-scrape(object="str1")[[1]] #just get the first result

pretext <- sapply(xpathSApply(y, "//img/preceding::text()"), xmlValue)
alttext <- xpathSApply(y, "//img/@alt")

paste(pretext, alttext)
#[1] "Simplify the polynomial by combining like terms.  3x+12-11x+14"

scrape() 将返回类似 HTML/XML 的文档，您可以使用类似 xpathSApply 的函数来查找节点并提取值。

【讨论】：

非常感谢。有用。现在我要弄清楚它为什么会起作用！（感谢您让我朝着正确的方向前进）
找到了一个关于使用 R 进行网页抓取的好教程。只是将其发布以供将来使用。 files.meetup.com/1503964/2010-06-24_WebScrapeIntro.pdf