Rvest 返回空段落

Question

当使用 rvest 包从网页中抓取文本时，一些段落返回空，但它们不应该。

网页是： https://www.legifrance.gouv.fr/affichTexte.do?cidTexte=LEGITEXT000005620562

我想要“文章”下的段落，所以我使用“.article p”作为 CSS 选择器。它应该返回 9 个段落（5 个应该是空的，因为它们是填充物）。我确实得到了 9 个段落，但 8 个是空的！

page=read_html("https://www.legifrance.gouv.fr/affichTexte.do?cidTexte=LEGITEXT000005620562")
html_text(html_nodes(page,".article p"))

我会发布一个截图，但我没有足够的声誉...... 运行此行会返回一个包含 9 个字符串的向量，但它们是空的，除了第 8 个。 第 1、3 和 5 段应包含文本，但此处显示为空。

感谢大家的宝贵时间。

编辑： 一点上下文：我需要从这个网站上抓取很多页面来获取文章的核心文本，然后对其进行语言分析。

“.article p”CSS 选择器在大多数页面上都表现不错，但某些段落的内容显示为空。

Answer 1

为什么不这样做呢？

library(tidyverse)
library(rvest)
#> Loading required package: xml2
#> 
#> Attaching package: 'rvest'
#> The following object is masked from 'package:purrr':
#> 
#>     pluck
#> The following object is masked from 'package:readr':
#> 
#>     guess_encoding


page <- read_html("https://www.legifrance.gouv.fr/affichTexte.do?cidTexte=LEGITEXT000005620562")

page %>% 
  html_nodes(".article") %>% 
  html_text() %>% 
  str_remove_all(pattern = "\nArticle\\s[0-9]")
#> [1] " En savoir plus sur cet article...\n\n   Sont désignées comme gares ferroviaires ouvertes au trafic international au sens de l'article 35 quater de l'ordonnance du 2 novembre 1945 susvisée au titre desquelles peuvent être créées des zones d'attente les gares suivantes :\n   Lille-Europe, Lille-Flandres, Aulnoye, Strasbourg, Thionville, Forbach, Metz, Sarreguemines, Pontarlier, Morteau, Modane, Cerbère, Nice, Hendaye, Calais-Fréthun, Paris-Gare du Nord, Paris-Gare de l'Est, Paris-Gare de Lyon.\n "
#> [2] " En savoir plus sur cet article...\n\n   Le présent arrêté abroge les dispositions de l'arrêté du 4 mai 1995 désignant les gares ferroviaires ouvertes au trafic international.\n\n "                                                                                                                                                                                                                                                                                                                                
#> [3] "\nLes préfets et, à Paris, le préfet de police sont chargés, chacun en ce qui le concerne, de l'exécution du présent arrêté, qui sera publié au Journal officiel de la République française.\n\n "

^{由reprex package (v0.2.1) 于 2019-01-21 创建}