使用 R 抓取 html 表格答案

【问题标题】：Webscraping html table using R使用 R 抓取 html 表格
【发布时间】：2016-08-19 08:05:20
【问题描述】：

我已经从 Stackoverflow 的用户那里得到了一些帮助，试图解决这个问题。然而，我遇到了新的麻烦：

URL <- "http://karakterstatistik.stads.ku.dk/Histogram/ASOB05038E/Summer-2015"
pg <- read_html(URL)

get_val <- function(x, label) {
xpath <- sprintf(".//table/tr/td[contains(., '%s')][1]/following-sibling::td", label)
html_nodes(x, xpath=xpath) %>% 
html_text() %>% 
trimws()
}

library("stringr")
trimmed = get_val(pg, "Karakter") %>% 
  str_replace_all(pattern = "\\n|\\t|\\r" , 
              replacement = "")
trimmed

我想获取重考和考试的考试结果，但由于两个表的标题相同，R 只取重考的值。具体来说，我想在标题 Resultater 下的两个表格中的成绩 12、10、7、4、02、00、-3 旁边获得“Antal”列

任何帮助将不胜感激！ :)

【问题讨论】：

标签： html r screen-scraping

【解决方案1】：

results <- html_nodes(pg, xpath=".//td[@style='width: 50%;' and 
                                       descendant::h3[contains(text(), 'Resultater')]]/table")

html_table(results[[1]])
##   Karakter Antal    Antal
## 1       12    11  (9,6 %)
## 2       10    48 (41,7 %)
## 3        7    41 (35,7 %)
## 4        4     4  (3,5 %)
## 5       02     1  (0,9 %)
## 6       00     1  (0,9 %)
## 7       -3     4  (3,5 %)
## 8  Ej mødt     5  (4,3 %)

html_table(results[[2]])
##   Karakter Antal    Antal
## 1       12     0  (0,0 %)
## 2       10     0  (0,0 %)
## 3        7     1  (9,1 %)
## 4        4     1  (9,1 %)
## 5       02     1  (9,1 %)
## 6       00     1  (9,1 %)
## 7       -3     0  (0,0 %)
## 8  Ej mødt     7 (63,6 %)

【讨论】：