从文档中提取唯一的 HTML 标签答案

【问题标题】：Extract unique HTML tags from a document从文档中提取唯一的 HTML 标签
【发布时间】：2015-08-18 18:17:36
【问题描述】：

我在 R 中有一个 HTML 文档，我想从该文档中提取一个唯一标签列表，并计算它们的出现频率。

我可以按如下方式遍历每个可能的标签，但希望有一个不需要预定义标签列表的解决方案：

library('XML')
url <- 'http://stackoverflow.com/questions/11227809/why-is-processing-a-sorted-array-faster-than-an-unsorted-array'
doc <- htmlParse(url)
all_tags <- c('//p', '//a', '//b', '//u', '//i')
counts <- sapply(all_tags, function(x) length(xpathSApply(doc, x)))
free(doc)

【问题讨论】：

嗯table(xpathSApply(doc, "//*", xmlName))?
@lukeA 完美。让您的评论成为答案！
同意@lukeA 将他的作为答案发布，并且应该接受他的作为答案。我只为使用xml2 的人发布了Hadleyverse 版本，并且故意不包括XML / xpathSApply，希望Luke 会发布答案。
@hrbrmstr 谢谢！

标签： xml r web-scraping

【解决方案1】：

经典的 XML 包版本可能如下所示：

tab <- table(xpathSApply(doc, "//*", xmlName))
tab[c('p', 'a', 'b', 'u', 'i')]

【讨论】：

【解决方案2】：

Hadleyverse 版本（但必要时会恢复到基础版本）：

library(xml2)
library(dplyr)

url <- 'http://stackoverflow.com/questions/11227809/why-is-processing-a-sorted-array-faster-than-an-unsorted-array'
doc <- read_html(url)
tags <- xml_name(xml_find_all(doc, "//*"))

# base version
sort(table(tags))

## tags
##     body     form       h1     head     html    title      sub       h3        i noscript 
##        1        1        1        1        1        1        2        3        3        3 
##       h4       h2       th     link       hr       ol       ul       em    input        b 
##        4        5        5        7        8       10       11       12       12       14 
##   script     meta      img       br      pre   strong    tbody    table     code       li 
##       16       17       26       27       41       43       55       79      104      115 
##       tr        p       td      div        a     span 
##      127      150      268      358      371      423 

# hadleyverse
arrange(count(data_frame(tag=tags), tag), desc(n))

## Source: local data frame [36 x 2]
## 
##      tag   n
## 1   span 423
## 2      a 371
## 3    div 358
## 4     td 268
## 5      p 150
## 6     tr 127
## 7     li 115
## 8   code 104
## 9  table  79
## 10 tbody  55
## ..   ... ...

【讨论】：